用稀疏自编码器构建可审计的 AI 文本检测器

论文提出将微调神经 AI 文本检测器转换为基于人类可读概念的分类器：直接在检测器残差流上训练稀疏自编码器（SAE），为每个 SAE 特征分配自动解释标签，仅保留描述通过全局保真度阈值的特征，再在其上训练轻量分类器。作者称 SAE 能恢复对应高度具体且具预测性的 AI 文本语言线索的潜在概念。该方法面向同行评审、教育、招生、新闻和内容审核等高风险场景的可审计性需求，但摘要未披露与最强检测器的精度对比。

AI推荐理由 针对 AI 生成文本检测器不透明的问题，提出在检测器残差流上训练稀疏自编码器（SAE），用自动解释标签筛选高保真特征，再在可解释特征上训练轻量分类器，使检测决策可审计。新信息在于把 SAE 用于检测器内部表征并保留通过全局保真度阈值的特征；局限是摘要未给出与最强微调检测器的性能对比数字，可解释性与检测精度的权衡仍待验证。