본 논문에서는 머신 생성 코드 탐지기를 위한 가장 광범위한 오픈 데이터 세트인 DroidCollection을 공개합니다. DroidCollection은 백만 개가 넘는 코드 샘플, 7개의 프로그래밍 언어, 43개의 코딩 모델 출력, 그리고 3개 이상의 실제 코딩 도메인을 포함합니다. 전적으로 AI가 생성한 샘플 외에도, 인간-AI 공동 저술 코드와 탐지를 회피하도록 명시적으로 제작된 적대적 샘플도 포함되어 있습니다. 이어서, 논문에서는 DroidCollection을 사용하여 다중 작업 목표로 훈련된 인코더 전용 탐지기 모음인 DroidDetect를 개발합니다. 실험 결과, 기존 탐지기의 성능은 좁은 훈련 데이터 외부의 다양한 코딩 도메인과 프로그래밍 언어로 일반화되지 못함을 보여줍니다. 또한, 대부분의 탐지기는 표면적인 프롬프팅 및 정렬 접근 방식을 사용하여 출력 분포를 인간화함으로써 쉽게 손상될 수 있지만, 이 문제는 소량의 적대적 데이터로 훈련하여 쉽게 해결할 수 있음을 보여줍니다. 마지막으로, 메트릭 학습과 불확실성 기반 재샘플링이 가능한 노이즈 분포에서 탐지기 훈련을 향상시키는 수단임을 보여줍니다.
