Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
Cet article souligne l'importance de construire des systèmes fiables de détection de texte généré par l'IA, compte tenu des préoccupations croissantes concernant l'utilisation abusive des modèles linguistiques à grande échelle. Pour remédier à la dégradation des performances des méthodes existantes due au manque de modélisation du style et à l'utilisation de seuils statiques, nous proposons le cadre Mixture of Stylistic Experts (MoSEs), qui permet l'estimation conditionnelle des seuils pour quantifier l'incertitude liée au style. MoSEs se compose de trois composants principaux : le référentiel de référence de style (SRR), le routeur sensible au style (SAR) et l'estimateur de seuil conditionnel (CTE). Pour le texte d'entrée, le SRR active les données de référence appropriées et les fournit au CTE, qui détermine ensuite dynamiquement le seuil optimal en modélisant conjointement les caractéristiques linguistiques, statistiques et sémantiques. MoSEs génère des étiquettes prédites avec des scores discriminants et les niveaux de confiance correspondants. Par rapport aux modèles de référence, il permet une amélioration moyenne des performances de détection de 11,34 %, avec une amélioration supplémentaire de 39,15 % dans les environnements à faibles ressources. Le code source est disponible à https://github.com/creator-xi/MoSEs .
