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（4 点）
- 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。