Segmenting Human-LLM Co-authored Text via Change Point Detection
利用变点检测分割人类与大语言模型共同撰写的文本AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以变点检测为核心并提出相关算法与最优性理论，因此按方法归入结构变化，应用对象则是文本。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
利用变点检测分割人类与大语言模型共同撰写的文本
- 研究问题
- 对于人类与大语言模型混合撰写的文本，如何定位各自贡献的片段，而不是仅对整篇文章作二元分类？评分异质性如何影响分割？
- 方法与思路
- 作者将文本作者切换视为变点检测问题，提出加权算法与广义算法以处理检测得分变异程度的异质性，并建立极小极大最优性结果。
- 材料陈述的贡献
- 摘要称提出了定位混合文本作者片段的算法及理论保证，实验相对多种基准显示较好表现，并提供 Python 实现地址。
- 阅读关注点
- 应核对检测得分的来源与依赖结构、分段和信号强度条件、最优性使用的损失标准，以及跨模型、语言和文本类型的泛化表现。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明最优性条件或实验数值，代码链接未经核验，检测结果不等于作者身份事实。
原文摘要
The rise of large language models (LLMs) has created an urgent need to distinguish between human-written and LLM-generated text to ensure authenticity and societal trust. Existing detectors typically provide a binary classification for an entire passage; however, this is insufficient for human--LLM co-authored text, where the objective is to localize specific segments authored by humans or LLMs. To bridge this gap, we propose algorithms to segment text into human- and LLM-authored pieces. Our key observation is that such a segmentation task is conceptually similar to classical change point detection in time-series analysis. Leveraging this analogy, we adapt change point detection to LLM-generated text detection, develop a weighted algorithm and a generalized algorithm to accommodate heterogeneous detection score variability, and establish the minimax optimality of our procedure. Empirically, we demonstrate the strong performance of our approach against a wide range of existing baselines. The python implementation of our proposal is available at https://github.com/Mamba413/DetectLLMSegmentation.