LLM 생성 텍스트의 언어학적 특성을 포착할 수 있는가?
언어학적 특성(통계, 가독성, 문체, 어휘 다양성, 수사 구조, 개체 격자)과 사전 훈련된 언어 모델 임베딩을 결합하여 기계 생성 텍스트와 인간 작성 텍스트를 효과적으로 구분할 수 있다.
기계 생성 텍스트와 인간 생성 텍스트를 구별하기 위한 일반화된 전략: 대규모 언어 의미론을 통한 접근
대규모 언어 모델의 인코더 임베딩을 활용하여 다양한 생성기와 도메인에 걸쳐 기계 생성 텍스트를 효과적으로 탐지할 수 있는 일반화된 접근 방식을 제안한다.
AI 보조 도구와 인간 작성 텍스트의 혼합: 감지할 수 있을까?
기계 생성 텍스트(MGT)와 인간 작성 텍스트(HWT)의 혼합인 혼합 텍스트(mixtext)를 효과적으로 탐지하는 것이 현재 탐지기의 주요 과제이다.
다중 생성기 기계 생성 텍스트 탐지를 위한 클래스 균형 소프트 투표 시스템
본 논문은 다양한 생성기에서 생성된 텍스트를 정확하게 탐지하기 위해 클래스 균형 가중치 손실 함수와 소프트 투표 모델 앙상블을 제안한다.
기계 생성 텍스트 탐지를 위한 대조 학습의 효과 분석
대조 학습을 통해 기계 생성 텍스트를 효과적으로 탐지할 수 있음을 보여줌
기계 생성 텍스트 탐지를 위한 스타일 표현 활용의 효율성
기계 생성 텍스트를 효과적으로 탐지하기 위해 인간 저자의 텍스트에서 학습한 스타일 표현을 활용할 수 있다. 이러한 스타일 표현은 새로운 언어 모델이 등장하더라도 강건하게 작동하며, 특정 언어 모델이 생성한 텍스트를 식별할 수 있다.
기계 생성 텍스트 탐지를 위한 트랜스포머 기반 모델의 성능 분석
SemEval-2024 Task 8에 참여한 MasonTigers 팀은 주로 판별자 트랜스포머 모델의 앙상블, 문장 트랜스포머, 통계적 기계 학습 기법을 활용하여 우수한 성능을 달성했다. 또한 FLAN-T5의 제로샷 프롬팅과 파인튜닝을 활용하여 Track A와 B에서 좋은 결과를 얻었다.
대규모 언어 모델 생성 텍스트 탐지를 위한 정보 밀도 기반 기계 학습 모델 GPT-who
GPT-who는 통계 기반 다중 클래스 기계 생성 텍스트 탐지기로, 균일 정보 밀도(UID) 기반 특징을 활용하여 다양한 언어 모델과 인간 저자의 고유한 통계적 서명을 모델링하고 정확한 저자 귀속을 수행한다.
© 2024 by Linnk AI