基于稀疏自编码器的可审计 AI 文本检测器构建方法

研究提出一种将微调神经检测器转化为基于人类可读概念分类器的流水线，利用稀疏自编码器（SAEs）处理检测器的残差流并训练轻量级分类器。 该 SAE 提取的特征对应 AI 生成文本的高度具体且具预测性的语言线索。基于这些可解释特征构建的分类器在分布外文本上的性能优于神经分类器和基于文体学特征的分类器。