Beyond Representational Similarity: Source-Conditioned Description-Length Gain for Generative Plagiarism Detection and Candidate Source Reranking

📄 arXiv: 2608.03859v1 📥 PDF

作者: Peijia Guo, Wenxuan Xie, ZiGuang Li, Ming Li

分类: cs.CL, cs.AI

发布日期: 2026-08-04

💡 一句话要点

提出源条件描述长度增益以解决生成性抄袭检测问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 生成性抄袭检测 大型语言模型 描述长度增益 学术诚信 内容重用

📋 核心要点

  1. 现有生成性抄袭检测方法主要关注AI参与，而忽视源重用，且相似度方法在文本重写后效果不佳。
  2. 本文提出源条件描述长度增益（SCDG），通过对比可疑文档在有无候选源时的描述长度，量化源的增量预测证据。
  3. SCDG在多个基准测试中表现优异，尤其在PAN 2025和2026的任务中超越所有基线，显示出其强大的检测能力。

📝 摘要（中文）

大型语言模型（LLMs）对学术诚信和同行评审提出了挑战，而生成性抄袭检测仍然是一个未被充分探索和解决的问题。现有方法主要关注AI参与，而非源重用，且基于相似度的方法在经过大量重写和多源合成后效果不佳。本文提出源条件描述长度增益（SCDG），一种无训练的框架，通过对比可疑文档在有无候选源时的描述长度，计算增量预测证据。实验结果表明，SCDG在多个基准测试中表现优异，确立了其作为源特定内容重用信号的有效性。

🔬 方法详解

问题定义：本文旨在解决生成性抄袭检测中的源重用问题，现有方法在处理经过重写和多源合成的文本时效果不佳，难以有效识别抄袭行为。

核心思路：提出源条件描述长度增益（SCDG），通过对比可疑文档在有无候选源时的描述长度，量化候选源对文档的增量预测证据，从而提高检测的准确性。

技术框架：SCDG框架不需要训练，利用冻结的语言模型计算可疑文档的描述长度，主要包括文档描述长度计算和候选源对比两个模块。

关键创新：SCDG的创新在于其无训练的特性和基于描述长度的增益计算，与传统的相似度方法相比，能够更好地处理文本的重写和多源合成问题。

关键设计：在实现中，SCDG使用了基于token的对数似然增益计算，关注于每个token的预测证据，确保了对源重用的细粒度分析。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在PAN 2025的对比基准中，SCDG达到了0.92的精确率、0.97的召回率和0.94的F1值，超越了所有基线。在PAN 2026的多源检索任务中，SCDG的nDCG@10为0.83，召回率为0.96，显示出其在复杂场景下的优越性能。

🎯 应用场景

该研究的潜在应用领域包括学术不端检测、内容审核和版权保护等。通过提高生成性抄袭检测的准确性，SCDG能够帮助教育机构和出版商维护学术诚信，减少抄袭行为的发生，具有重要的实际价值和社会影响。

📄 摘要（原文）

Large language models (LLMs) pose challenges to academic integrity and peer review. Yet generative plagiarism detection remains an underexplored and largely unresolved challenge. Prior work on LLM-generated-text detection targets AI involvement, which may be permissible, rather than source reuse, while similarity-based methods struggle after extensive rewriting and multi-source synthesis. Motivated by the description-length view of probabilistic prediction, in which relevant side information can reduce a target sequence's code length, we introduce Source-Conditioned Description-Length Gain (SCDG), a directional, training-free framework that contrasts a frozen language model's description length of a suspicious document $P$ with and without a candidate source $S$. This contrast yields token-level log-likelihood gains that measure the incremental predictive evidence supplied by $S$. We evaluate SCDG on the PAN at CLEF benchmarks for generative plagiarism. On a PAN 2025-derived pairwise benchmark, SCDG achieves 0.92 Precision, 0.97 Recall, and 0.94 F1, outperforming all baselines; on PAN 2026's multi-source retrieval task, it reaches 0.83 nDCG@10 and 0.96 Recall@100, surpassing all baselines. On a same-topic, same-event Multi-News test, the calibrated gain-distribution SCDG classifier predicts source reuse for only $0.125\%$ of pairs, supporting robustness to topical overlap under this evaluation protocol. These results establish SCDG as a unified and token-decomposable signal for source-specific content reuse under extensive transformation.