EASE 在生成阶段用熵自适应扰动 logits 与温度,把 Qwen3-8B 上五个检测器的平均 TPR@1%FPR 从 0.655 降到 0.339
该工作观察到扰动下一 token 的 logits 或调整采样温度会降低 AI 生成文本检测器的性能,据此提出免训练、与检测器无关的 EASE 框架:它从源 LLM 的下一 token 分布计算预测熵,用该熵同时自适应地调节 logit 扰动强度与采样温度,在三个源 LLM 与多个检测器上一致降低检测性能,且推理开销与文本质量损失很小。
该工作观察到扰动下一 token 的 logits 或调整采样温度会降低 AI 生成文本检测器的性能,据此提出免训练、与检测器无关的 EASE 框架:它从源 LLM 的下一 token 分布计算预测熵,用该熵同时自适应地调节 logit 扰动强度与采样温度,在三个源 LLM 与多个检测器上一致降低检测性能,且推理开销与文本质量损失很小。
该研究提出 HierEM 分层期望最大化框架,把每个站点观察到的前列腺病灶标注视为潜在“干净”病灶掩膜的有噪观测,在 E 步推断体素级潜在掩膜后验、在 M 步用该后验作软目标训练 CNN 并用 logistic-normal 分层先验估计站点与病例级敏感度、特异度,在三个站点数据上池化留出评估的每站点平均 DSC 为 29.50%–39.69%,留一站泛化为 27.91%–32.67%,相对对比方法取得统计显著提升(p < 0.039),并给出可解释的站点标注质量估计(特异度 β≈0.99 时敏感度 α 为 31.5%–47.3%)。
已读完全部报道