在当前大规模语言模型（LLMs）被广泛应用的背景下，LLM生成文本的检测和作者归属问题日益凸显。以往的研究主要集中在表面语言特征，这种方法容易受到释义和其他混淆技术的影响。本文提出了一种超越语言表层的分析方法，通过提取和分析LLM生成文本中的推理结构，以捕捉更复杂的LLM作者信号。
我们提出了一种基于图神经网络的方法，利用由论证挖掘流程提取的推理图，展现出比传统的Longformer基线更强的鲁棒性和泛化能力。在面对释义和反向翻译等混淆攻击时，我们的方法相较于基线提高了多达27个百分点，而在对未见模型版本生成的文本进行评估时，提升了19个百分点，这模拟了新LLM版本不断发布的现实条件。
博主点评： 本文通过推理图的引入，显著提升了LLM作者归属的准确性，展现了图神经网络在自然语言处理领域的潜力，值得研究者关注与借鉴。