使用生成对抗网络来提高检测人工智能生成的推文的准确性
1School of Humanities and Law, Zhengzhou Shengda University, Zhengzhou, 451191, Henan, China. huiyang0909@126.com.
Scientific reports
|November 26, 2024
概括
本研究引入了一种新的AI驱动方法来检测AI生成的文本,通过使用生成模型和集体学习来精确地描述文本属性,实现99.60%的准确性.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 自然语言处理自然语言处理.
背景情况:
- 人工智能生成文本的扩散需要强大的检测方法.
- 现有的机器学习技术需要改进,以准确地识别AI文本.
研究的目的:
- 开发一种新的方法来提高人工智能生成文本检测的准确性.
- 利用生成性AI能力和集体学习来准确地描述文本属性.
主要方法:
- 文本预处理包括消除噪音,令牌化,停止词删除和规范化.
- 功能工程将文本表示为矩阵,捕捉单词相关性和权重.
- 基于生成对抗网络 (GAN) 的特征提取.
- 权重随机森林 (RF) 模型用于最终的文本分类.
主要成果:
- 拟议的方法在区分人类写的文本和人工智能生成的文本方面实现了99.60%的平均准确性.
- 与现有方法相比,其精度提高了1.5%.
- 成功描述了特定于人工智能生成的内容的属性.
结论:
- 这种新的方法有效地提高了人工智能生成的文本检测准确度.
- 将生成人工智能与整体方法相结合,为内容真实性提供了一个强大的解决方案.
- 该方法在识别人工智能创建的内容方面取得了重大进展.
