machine-generated text | BriefGPT

关键词machine-generated text

搜索结果 - 23

应用集成方法进行模型无关的机器生成文本检测
通过应用集成方法来检测大语言模型（LLM）产生的机器生成文本的问题，并找到简单的 DetectGPT 子模型输出的摘要统计数据在保持其零 - shot 性的同时获得 0.73 的 AUROC（相对于 0.61），受监督学习方法可以将准确性提
PDF15 days ago
探索检测机器生成文本的局限性
对于检测机器生成文本的分类性能进行了批判性研究，发现分类器对文体变化和文本复杂性的差异非常敏感，在某些情况下完全退化为随机分类器，同时易于阅读的文本易于被误分类，而复杂文本的性能较高。
PDF17 days ago
大型语言模型留下指纹
通过分析 LLM 指纹，我们展示了即使是简单的分类器也能在训练领域内外的数据中实现非常强大的性能，从而有效区分人类生成的文本和机器生成的文本。
PDFa month ago
AIpom 参加 SemEval-2024 任务 8：在 M4 中检测 AI 产生的输出
AIpom 是一个系统，用于检测人工编写和机器生成文本之间的边界，并通过使用经过指令调整的解码器模型和仅编码器模型的序列标记器来提出一个两阶段的流水线。AIpom 在排行榜上排名第二，平均绝对误差达到 15.94，混合了人工编写和机器生成文
PDF3 months ago
SemEval-2024 任务 8：多领域机器生成文本检测技术的综合分析
本论文介绍了我们在 SemEval2024 Task8 中用于检测跨各个领域的机器生成文本的方法，包括统计、神经网络和预训练模型方法，并通过深入的错误分析评估了这些方法的有效性。在单语和多语境下，我们的方法在子任务 A 单语上获得 86.9
PDF3 months ago
ACLHU 参加 SemEval-2024 任务 8A：对比学习能否学习嵌入以检测机器生成的文本？
我们提出了一个基于对比学习的单一模型，通过数据增强和对比学习，在没有使用多个模型集合的情况下，达到与多模型相当的性能表现。
PDF4 months ago
ICLRRaidar: 基于生成式人工智能的检测重写
我们发现，在重新编写任务中，大型语言模型（LLMs）更有可能修改人类撰写的文本，而不是 AI 生成的文本。这种偏好出现的原因是 LLMs 通常认为 AI 生成的文本质量较高，从而减少了修改。我们提出了一种通过提示 LLMs 重新编写文本并计
PDF5 months ago
用双筒望远镜发现 LLMs：机器生成文本的零样本检测
利用两个紧密相关的预训练大型语言模型之间的对比得分，我们提出了一种新颖的仅需要使用这对 LLM 进行简单计算的 LLM 检测器，名为 Binoculars，它在不需要任何训练数据的情况下实现了最先进的准确性，能够在各种现代 LLM 的文本中
PDF5 months ago
解读文本真实性：通过大语言语义的普遍策略来检测人类与机器生成的文本
通过引入一个新的系统 T5LLMCipher，结合预训练的 T5 编码器和 LLM 嵌入子聚类，我们在 9 个不同生成器和领域中评估了我们的方法，并发现与现有方法相比，我们的方法在看不见的生成器和领域中对机器生成的文本的 F1 得分平均提高
PDF6 months ago
LLM 作为共同作者的挑战：检测 LLM 与人类混合大小写
大语言模型与机器生成文本（MGT）在新闻和教育等领域的广泛应用中出现了潜在的质量和信息完整性问题。本研究提出了混合文本形式 ——mixcase，并构建了 MixSet 数据集，旨在专门研究这些混合修改场景，并通过实验证明现有的 MGT 检测
PDF6 months ago
TextMachina: 无缝生成机器生成文本数据集
TextMachina 是一个模块化和可扩展的 Python 框架，旨在帮助创建高质量、无偏见的数据集，用于构建 MGT 相关任务（如检测、归因或边界检测）的强健模型。
PDF6 months ago
基于统计的深度检测机器生成文本
我们介绍了 STADEE，一种基于统计数据的深度检测方法，用于识别机器生成的文本，解决了当前方法在依赖大量微调预训练语言模型方面的局限性。STADEE 将关键的统计文本特征与深度分类器相结合，重点关注诸如标记概率和累积概率等方面，这对于处理
PDF7 months ago
AuthentiGPT：通过黑盒语言模型去噪检测机器生成文本
鉴于大型语言模型（LLMs）在同时提供巨大机遇的同时也引发了伦理困境，我们提出了 AuthentiGPT，这是一个有效的分类器，用于区分机器生成的和人类编写的文本。通过给输入文本添加人工噪声，并在语义上比较去噪后的文本与原始文本，Authe
PDF8 months ago
关于机器生成文本检测器的零样本泛化
大型语言模型的广泛发展使得检测机器生成的文本变得前所未有的重要。本研究通过收集大范围的语言模型生成数据，训练神经检测器并测试其在未经训练的生成器输出上的性能，发现中等规模语言模型训练的检测器能够零样本推广到更大的版本。作为一个具体的应用，我
PDF9 months ago
关于大型语言模型中水印可靠性的研究
本文探讨使用不同的检测方法来对水印进行可靠的鉴别，并研究机器生成文本的大量观察对于水印的鉴别是否可靠，最终表明水印技术是一项可靠的解决方案，尤其是在样本复杂度越高时，水印证据会逐渐累积，并最终被检测出来。
PDFa year ago
自然语言生成器的可信度
本文研究了自然语言生成工具，如生成人类对话文本的聊天机器人，其可信度和伦理影响的问题，讨论了不同用户对这些工具的感知和采用方式以及机器生成文本质量的感知优缺点，还分析了参与者确定的这些工具的优点和伦理风险，并探讨了这些发现对于提升 AI 开
PDFa year ago
DNA-GPT: 基于差异化 N-Gram 分析的无需训练 GPT 生成文本检测
该论文提出了一种新的训练自由的文本检测策略，称为 Divergent N-Gram Analysis（DNA-GPT），通过 N-gram 分析或概率分歧分析比较人类写作和机器生成文本之间的差异，证明了其在区分人类和大型语言模型生成的文本方
PDFa year ago
一种基于贝叶斯代理模型的 LLM 生成文本有效检测方法
本文提出了一种基于贝叶斯代理模型的机器文本检测方法，能够有效提高查询效率，并在低查询预算下实现更好的性能，相比于 DetectGPT，查询次数减少了最多 2 倍，AUROC 提高了 3.7%。
PDFa year ago
GPT 亲子鉴定：使用 GPT 遗传谱系分析检测生成文本
该研究提出了一种名为 GPT Paternity Test（GPT-Pat）的新方法，利用对话生成技术来检测文本是否是机器生成的，并使用孪生网络作为计算机制以及一个二进制分类器。经过实验，该方法在四个广义测试集中的平均准确率达到了 94.5
PDFa year ago
所有 ' 人类 ' 皆非黄金：评估生成文本的人类评估
研究评估非专家区分人工和机器生成文本 (使用 GPT2 和 GPT3) 的能力，指出评估者不经培训情况下很难区分，通过三种方法培训后的准确率提高到了 55%，但在三个领域中并没有显著提高。作者分析了训练不足的人类评估在自然语言生成领域的作用
PDF3 years ago