English(EN) Show Me How You Reason and I'll Tell You Who You Are: Reasoning Graphs for Robust LLM Authorship Attribution

新方法使用推理图进行鲁棒的LLM作者归因

作者 PulseAugur 编辑部 · [2 个来源] · 2026-07-16 12:25

研究人员开发了一种新颖的方法，通过分析大型语言模型（LLM）生成的文本的推理结构来归属其作者身份。该方法利用通过论证挖掘管道提取并由图神经网络处理的推理图。与传统基线相比，新方法表现出显著提高的鲁棒性和泛化能力，在对抗释义和反向翻译等混淆技术时，性能高出多达27个百分点。 AI

影响这项研究可能带来更可靠的检测AI生成内容的方法，这对于在数字通信中维护信任和完整性至关重要。

排序理由该集群包含一篇详细介绍LLM作者归因新方法的论文。

AI 生成摘要 · Google Gemini · 来自 2 个来源。我们如何撰写摘要 →

报道来源 [2]

arXiv cs.AI TIER_1 English(EN) · Zlata Kikteva, Artur Romazanov, Annette Hautli-Janisz, Ramon Ruiz-Dolz · 2026-07-17 04:00

展示你的推理方式，我便知你是谁：用于鲁棒大模型作者归因的推理图

arXiv:2607.14905v1 Announce Type: cross Abstract: Given the current trend to employ large language models (LLMs) in almost any imaginable context, LLM-generated text detection and authorship attribution have become a pressing issue. Prior work has primarily focused on surface-lev…
arXiv cs.AI TIER_1 English(EN) · Ramon Ruiz-Dolz · 2026-07-16 12:25

展示你的推理方式，我便知你是谁：用于鲁棒LLM作者归属的推理图

Given the current trend to employ large language models (LLMs) in almost any imaginable context, LLM-generated text detection and authorship attribution have become a pressing issue. Prior work has primarily focused on surface-level linguistic features, an approach shown to be su…