Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
MoSEs: Detección de texto generada por IA con conocimiento de la incertidumbre mediante la combinación de expertos en estilística con umbrales condicionales
Este artículo destaca la importancia de construir sistemas confiables de detección de texto generados por IA, dada la creciente preocupación por el mal uso de modelos lingüísticos a gran escala. Para abordar la degradación del rendimiento de los métodos existentes debido a la falta de modelado de estilos y al uso de umbrales estáticos, proponemos el marco Mixture of Stylistic Experts (MoSEs), que permite la estimación de umbrales condicionales para cuantificar la incertidumbre relacionada con el estilo. MoSEs consta de tres componentes principales: un Repositorio de Referencia de Estilos (SRR), un Enrutador Consciente de Estilos (SAR) y un Estimador de Umbral Condicional (CTE). Para el texto de entrada, el SRR activa los datos de referencia apropiados y los proporciona al CTE, que luego determina dinámicamente el umbral óptimo mediante el modelado conjunto de características lingüísticas, estadísticas y semánticas. MoSEs genera etiquetas predichas con puntuaciones discriminantes y los niveles de confianza correspondientes. En comparación con los modelos de referencia, logra una mejora promedio del rendimiento de detección del 11,34 %, con una mejora particularmente significativa del 39,15 % en entornos de bajos recursos. El código fuente está disponible en https://github.com/creator-xi/MoSEs .
