본 논문은 대규모 언어 모델의 오용 가능성에 대한 우려가 커짐에 따라 신뢰할 수 있는 AI 생성 텍스트 탐지 시스템 구축의 중요성을 강조합니다. 기존 방법들이 스타일 모델링을 간과하고 정적 임계값에 의존하여 탐지 성능이 크게 제한되는 문제점을 지적하며, 스타일 인식 불확실성 정량화를 위한 조건부 임계값 추정을 가능하게 하는 Mixture of Stylistic Experts (MoSEs) 프레임워크를 제안합니다. MoSEs는 스타일 참조 저장소(SRR), 스타일 인식 라우터(SAR), 조건부 임계값 추정기(CTE)의 세 가지 핵심 구성 요소로 이루어져 있으며, 입력 텍스트에 대해 SRR은 적절한 참조 데이터를 활성화하여 CTE에 제공하고, CTE는 언어 통계적 특성과 의미적 특징을 공동으로 모델링하여 동적으로 최적 임계값을 결정합니다. MoSEs는 판별 점수와 함께 해당 신뢰 수준을 갖는 예측 레이블을 생성하며, 기존 방법들에 비해 평균 11.34%의 탐지 성능 향상을 달성하고, 특히 저자원 환경에서 39.15%의 향상을 보입니다. 소스 코드는 깃허브에 공개되어 있습니다.
