AI 탐지기는 충분히 좋은가? 기계 생성 텍스트의 데이터셋 품질에 대한 조사

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

October 18, 2024

저자: German Gritsai, Anastasia Voznyuk, Andrey Grabovoy, Yury Chekhovich

cs.AI

초록

자가회귀 대형 언어 모델(LLM)의 신속한 발전은 생성된 텍스트의 품질을 크게 향상시켰으며, 신뢰할 수 있는 기계 생성 텍스트 탐지기가 필요하게 되었습니다. 수많은 탐지기와 AI 단편들이 등장했으며, 몇 가지 탐지 방법은 이러한 단편들에서 대상 메트릭에 따라 99.9%까지 인식 품질을 보여주었습니다. 그러나 이러한 탐지기의 품질은 실제 환경에서 급격히 떨어지는 경향이 있어, 탐지기가 실제로 매우 신뢰할 수 있는지 아니면 그들의 높은 벤치마크 점수가 평가 데이터셋의 저 품질에서 오는 것인지 의문이 제기됩니다. 본 논문에서는 미래 모델의 편향과 낮은 일반화 능력에 대비하여 안전한 생성된 데이터를 평가하기 위한 견고하고 질 높은 방법의 필요성을 강조합니다. 우리는 AI 생성 콘텐츠 탐지에 전념한 대회에서의 데이터셋을 체계적으로 검토하고 AI 단편을 포함하는 데이터셋의 품질을 평가하는 방법을 제안합니다. 더불어, 훈련 모델의 향상과 훈련 데이터셋 자체의 향상을 위해 고품질 생성 데이터를 활용할 가능성에 대해 논의합니다. 우리의 공헌은 인간과 기계 텍스트 간의 동적을 더 잘 이해하고, 궁극적으로 점점 자동화되는 세계에서 정보의 무결성을 지원하는 데 목적이 있습니다.

English

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.