기계 생성 텍스트 (MGT) 검출은 온라인 정보 생태계를 규제하는 데 필수적이지만, 기존 검출기는 소수 데이터 설정에서 성능이 낮고 공격적인 인간화 공격에 취약합니다. 제한된 감독 하에 정확한 검출기를 구축하기 위해 우리는 위협 모델링 관점을 채택하고, 출력만 있는 블랙박스 설정에서 공격자의 관점에서 검출기의 취약점을 연구했습니다. 이러한 관점에 의해 영감을 받아, 우리는 소수 데이터 감지 성능과 공격에 대한 강건성을 모두 향상시키는 적대적 학습 프레임워크인 RAG-GuidEd Attacker Strengthens ConTrastive Few-shot Detector (REACT) 를 제안합니다. REACT 는 인간화 지향적인 공격자와 목표 검출기를 결합합니다: 공격자는 검색 증강 생성 (RAG) 을 활용하여 감지를 회피할 수 있는 매우 인간적인 적대적 예제를 제작하고, 검출기는 이러한 적대자로부터 대비적 객제 (contrastive objective) 로 학습하여 소수 데이터 표현 학습을 안정화하고 강건성을 향상시킵니다. 우리는 공격자와 검출기를 교대로 업데이트하여 그들의 공진화를 가능하게 합니다. 4 개의 데이터셋과 4 개의 샷 크기, 3 개의 랜덤 시드에서의 실험은 REACT 가 8 개 최강의 (SOTA) 검출기보다 평균 감지 F1 을 4.95 포인트 향상시키고, 4 개의 강력한 공격 하에서 평균 공격 성공률 (ASR) 을 3.66 퍼센트 포인트 감소함을 보여줍니다.