Feature-Augmented Transformers for Robust AI-Text Detection Across Domains and

요약

본 논문은 다양한 도메인과 생성 파이프라인에서 발생하는 AI 생성 텍스트의 분포 이동(distribution shift)에 강건한 텍스트 검출기 개발을 목표로 합니다. 연구진은 트랜스포머 기반 모델에 어텐션 기반 언어적 특징 융합(attention-based linguistic feature fusion)을 추가하여 특징 증강(feature augmentation) 기법을 적용했습니다. 그 결과, 기존의 강력한 단일 임계값 검출기가 분포 이동 환경에서 취약성을 보였으나, 제안된 특징 증강 모델은 다중 도메인 및 생성기 벤치마크(M4)에서 높은 균형 잡힌 정확도를 달성하며 전이 성능을 크게 개선함을 입증했습니다.

핵심 포인트

• AI 생성 텍스트 검출기는 다양한 도메인과 이질적인 생성 파이프라인으로 인한 분포 이동에 대한 강건성이 핵심 요구사항이다.
• 기존 트랜스포머 모델은 인-도메인 성능은 높으나, 다중 도메인 환경에서 성능 저하 및 모델 의존성을 보인다.
• 어텐션 기반 언어적 특징 융합을 통한 특징 증강(Feature Augmentation)이 분포 이동 하의 전이 학습 성능을 크게 개선한다.
• 제안된 방법론은 고정 임계값 프로토콜을 사용하여 실제 검출기의 견고성을 현실적으로 평가하며, 기존 모델 대비 우수한 성능 향상을 보여준다.