利用稀疏自编码器构建可审计的 AI 文本检测器

研究提出一种将微调神经检测器转化为基于人类可读概念分类器的流水线。该方法在检测器残差流上训练稀疏自编码器（SAE），筛选通过保真度阈值的特征并训练轻量级分类器。基于这些可解释特征构建的分类器在分布外文本上的表现优于神经或文体学替代方案。