PulseAugur
中
实时 09:44:29
English(EN) Beyond Representational Similarity: Source-Conditioned Description-Length Gain for Generative Plagiarism Detection and Candidate Source Reranking

新框架解决了大型语言模型的生成式抄袭检测问题

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个名为源条件描述长度增益（SCDG）的新框架，以应对从大型语言模型中检测生成式抄袭的挑战。这种无需训练的方法通过对比有无候选源时文档的描述长度差异，来衡量候选源为可疑文档提供的增量预测证据。SCDG在抄袭检测基准测试中表现强劲，实现了高精确率、召回率和F1分数，并在重排序候选源方面优于现有方法。 AI

影响 这项研究为在大型语言模型时代维护学术诚信提供了一种新颖的方法，可能影响AI生成内容检测工具。

排序理由 该集群包含一篇详细介绍生成式抄袭检测新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新框架解决了大型语言模型的生成式抄袭检测问题

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Peijia Guo, Wenxuan Xie, ZiGuang Li, Ming Li ·

    Beyond Representational Similarity: Source-Conditioned Description-Length Gain for Generative Plagiarism Detection and Candidate Source Reranking

    arXiv:2608.03859v1 Announce Type: cross Abstract: Large language models (LLMs) pose challenges to academic integrity and peer review. Yet generative plagiarism detection remains an underexplored and largely unresolved challenge. Prior work on LLM-generated-text detection targets …

相关实体

相关话题