随着大型语言模型（LLMs）的崛起，区分人类撰写与LLM生成的文本变得尤为重要，以确保真实性和社会信任。现有的检测器通常对整段文本进行二元分类，这对人类与LLM共著的文本来说显得不足，因为其目标是定位具体的人类或LLM撰写的段落。
为了解决这一问题，我们提出了一种算法，将文本分割为人类和LLM撰写的部分。我们的关键观察是，该分割任务在概念上与时间序列分析中的经典变更点检测相似。
基于这一类比，我们将变更点检测方法适用于LLM生成文本的检测，开发了一种加权算法和一种广义算法，以适应异质检测得分的变异性，并建立了我们过程的最小最大最优性。
通过实证研究，我们展示了我们的方法在多种现有基准中的强大表现。我们提出的Python实现可在 GitHub 上获取。
博主点评： 本文通过将变更点检测引入人类与LLM共著文本的段落分割，展示了跨领域技术的有效性，提供了新的思路来解决文本真实性问题。
尤其是在当今信息泛滥的时代，这种精细化的检测方法具有重要的实际意义。希望未来能够在更复杂的文本场景中进一步验证和优化该方法。