DWT-Fusion: A Signal-Based Framework for Training-Free LLM-Generated Text Detection
DWT-Fusion：基于离散小波分析的免训练 LLM 文本检测框架
🧭 LLM 生成文本检测 · 多分辨率信号分析
Ankara University
用离散小波变换分析 token 级对数概率序列的多分辨率特征，结合校准融合投票，实现免训练零样本 LLM 文本检测
📌 工作参考价值（4 点）
- 电商评论/搜索查询的 AI 生成内容检测：可直接将 token 级 log-probability 序列送入小波变换，提取多尺度波动信号，无需训练即可判断文本是否为 LLM 生成，用于过滤虚假评论或检测机器人搜索词。
- 轻量级在线部署：仅需一个代理语言模型（如 2.7B 参数量）计算 logits，推理开销可控，适合推荐系统旁路实时审核。
- 校准加权投票融合：组合不同小波基或分解层数的分数时，基于验证集校准的加权软投票可提升鲁棒性，该方法无需训练元模型，工程实现简单，可直接用于多信号融合场景（如内容安全、反欺诈）。
- 多分辨率特征提取思路：将一维序列（如 token 级困惑度、生成概率）通过小波变换分解为近似和细节系数，分离长期趋势与局部突变，可迁移到用户行为序列异常检测或会话质量评估。