Are AI Detectors Good Enough? A Survey on Quality of Datasets With Machine-Generated Texts

要約

自己回帰大規模言語モデル (LLM) の急速な開発により、生成されるテキストの品質が大幅に向上し、信頼性の高い機械生成テキスト検出器が必要になりました。
AI フラグメントを含む膨大な数の検出器とコレクションが登場しており、いくつかの検出方法では、そのようなコレクションのターゲット指標に従って最大 99.9% の認識品質を示しています。
ただし、そのような検出器の品質は実際には劇的に低下する傾向があり、疑問が生じます。検出器は実際に非常に信頼できるのでしょうか、それとも、その高いベンチマーク スコアは評価データセットの品質が低いことに由来しているのでしょうか?
この論文では、将来のモデルのバイアスや低い一般化能力に対して安全に、生成されたデータを評価するための堅牢かつ定性的な方法の必要性を強調します。
私たちは、AI 生成コンテンツ検出に特化したコンテストからのデータセットの体系的なレビューを提示し、AI 生成フラグメントを含むデータセットの品質を評価する方法を提案します。
さらに、検出モデルのトレーニングの改善とトレーニング データセット自体の改善という 2 つの目標を達成するために、高品質の生成データを使用する可能性について説明します。
私たちの貢献は、人間のテキストと機械のテキストの間のダイナミクスの理解を促進することを目的としており、これにより、自動化が進む世界における情報の完全性が最終的にサポートされます。

要約(オリジナル)

The rapid development of autoregressive Large Language Models (LLMs) has significantly improved the quality of generated texts, necessitating reliable machine-generated text detectors. A huge number of detectors and collections with AI fragments have emerged, and several detection methods even showed recognition quality up to 99.9% according to the target metrics in such collections. However, the quality of such detectors tends to drop dramatically in the wild, posing a question: Are detectors actually highly trustworthy or do their high benchmark scores come from the poor quality of evaluation datasets? In this paper, we emphasise the need for robust and qualitative methods for evaluating generated data to be secure against bias and low generalising ability of future model. We present a systematic review of datasets from competitions dedicated to AI-generated content detection and propose methods for evaluating the quality of datasets containing AI-generated fragments. In addition, we discuss the possibility of using high-quality generated data to achieve two goals: improving the training of detection models and improving the training datasets themselves. Our contribution aims to facilitate a better understanding of the dynamics between human and machine text, which will ultimately support the integrity of information in an increasingly automated world.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google