D2C-Routing: Dimension-to-Composition Evidence Routing for Mixed-Origin AI-Generated Text Detection
混合来源AI文本检测的维度到组合证据路由
🧭 混合来源AI文本检测 · 证据路由
Institute of Artificial Intelligence, Beihang University
提出D2C-Routing，将内容与表达来源分维度路由再门控组合，显著提升混合AI文本检测
📌 工作参考价值
- 维度解耦思想可直接迁移到UGC审核/商品评论真实性判断：将“内容来源”与“表达来源”拆成两个监督头，再组合成四类标签（HH/HA/AH/AA），比单一AI二分类更适合人工分层审核与申诉流程。
- 门控组合层代替简单 concat：业务中有多维度文本特征需要融合时，可借鉴 learned gated composition，让模型自适应加权不同维度证据，比固定拼接更容易适配不同混合比例场景。
- 评估指标使用 TPR@1%FPR 这类低假阳率阈值，比 Accuracy 更适合线上风控：电商/广告中AI生成内容检测往往要求极低误杀率，可直接复用该评估口径。
- 整体主要是文本检测学术贡献，与推荐/Agent直接相关性有限；但若业务涉及LLM生成推荐理由、商品文案的溯源与合规标记，可参考内容/表达双维度的归因标签体系。
动机
当前AI生成文本检测普遍是二分类：人类写 vs. 机器写。但混合写作场景中，一个文档可能保留人类内容但用AI润色表达，或AI生成内容后由人类改写；单一标量分数无法区分哪一层来源发生了变化。
方法关键点
论文借用HART基准的 content-expression 标签空间，将混合来源检测重构为 dimension-to-composition source attribution：先分别推断 content origin 和 expression origin，再组合为四种协作类型——HH、HA、AH、AA。
提出 D2C-Routing：把 content-side 和 expression-side 的 evidence 分别路由到两个有监督的维度头，输出维度级表征；随后通过 learned gated composition layer 融合两个维度的证据，预测最终四分类标签。相比传统直接四分类或简单融合，路由设计让每个维度先获得明确监督信号。
关键结果
在基于 HART 重建的 MixD2C 数据集上，D2C-Routing 达到 0.8603 four-way Avg TPR@1%FPR，较同 split 的 RACE-local rerun 高 6.5 points。核心消融支持路由结构有效性；错误分析显示最难区分的是 AI-content/human-expression 与完全 AI 生成文本之间的边界。