Self-Calibrating Neural-Probabilistic Model for Authorship Verification Under Covariate Shift
Ruhr University Bochum（波鸿鲁尔大学）；Bucknell University（巴克内尔大学）
我们正在解决两个基本问题，在作者身份验证（AV）：主题的变化和误校准。两个有争议的文本的主题的变化是大多数AV系统错误的主要原因。此外，观察到由深度学习AV机制产生的潜在概率估计常常与相应训练数据中的实际案例计数不匹配。因此，概率估计的校准很差。我们正在从PAN 2020扩展我们的框架，以包括贝叶斯因子评分（BFS）和不确定性适应层（UAL）来解决这两个问题。使用2020/21 PAN AV共享任务数据的实验表明，所提出的方法显着降低了对主题变化的敏感性，并显着提高了系统的校准。
2021-06-21 cs.CL
Experiments with Neural Networks for Small and Large Scale Authorship Verification
University of Houston Department of Computer Science（休斯顿大学计算机科学系）；University of Houston（休斯顿大学）
我们提出了两个模型的作者身份验证问题的一个特殊情况。任务是调查给定对的两个文档是否由同一作者撰写。我们考虑了小型和大型数据集的作者身份验证问题。潜在的小规模问题有两个主要挑战：首先，我们不知道文档的作者，因为没有以前的写作样本。其次，这两份文件都很短（几百到几千字），在体裁和/或主题上可能有很大的不同。为了解决这个问题，我们提出了转换编码器将一个文件对到其他。这种文档转换会产生一个丢失，它被用作一个可识别的特征来验证这对文档的作者是否相同。针对多人参与、样本数量多、样本长度大的大规模问题，提出了一种并行递归神经网络。比较了两个文档的语言模型。我们在各种类型的数据集上评估我们的方法，包括PAN竞争的作者身份识别数据集，亚马逊评论和机器学习文章。实验表明，这两种方法实现了稳定的和有竞争力的性能相比，基线。
2018-03-17 cs.CL
Who Wrote it and Why? Prompting Large-Language Models for Authorship Verification
Singapore University of Technology and Design（新加坡科技设计大学）
本文提出PromptAV，利用大型语言模型和逐步文体测量提示进行作者身份验证，在有限数据下优于现有方法并增强可解释性。
2023-10-12 cs.CL
Addressing Topic Leakage in Cross-Topic Evaluation for Authorship Verification
School of Information Science and Technology（信息科学与技术学院）；Vidyasirimedhi Institute of Science and Technology（维迪西里梅迪科学技术学院）
针对作者验证跨主题评估中测试数据的主题泄露导致模型表现误导和排名不稳定问题，提出异质性感知主题采样（HITS）方法和RAVEN基准，有效减少主题泄露影响并揭示模型对主题特征的依赖。
2024-07-27 cs.CL
Authorship Impersonation via LLM Prompting does not Evade Authorship Verification Methods
研究探讨了提示生成的LLM能否生成令人信服的作者伪装并逃避现有作者验证系统，发现LLM生成文本无法有效复制作者独特性，现有系统仍能有效识别伪装文本。
2026-03-31 cs.CL
Residualized Similarity for Faithfully Explainable Authorship Verification
Department of Computer Science（计算机科学系）；Department of Linguistics（语言学系）；Institute for Advanced Computational Science（先进计算科学研究院）；Stony Brook University（石溪大学）
本文提出残差化相似度方法，用神经网络预测可解释系统的相似度残差，在保持可解释性的同时提升作者身份验证性能，并在四个数据集上匹配最先进模型效果。
2025-10-06 cs.CL
Unraveling Interwoven Roles of Large Language Models in Authorship Privacy: Obfuscation, Mimicking, and Verification
Indiana University（印第安纳大学）；Northeastern University（东北大学）
本研究针对大语言模型时代作者身份隐私任务间相互作用研究不足的问题，首次提出统一框架，分析LLM驱动的作者身份混淆、模仿、验证的动态关系及人口统计元数据的调节作用，并将公开代码。
2025-05-20 cs.CL
Distinguishing Fictional Voices: a Study of Authorship Verification Models for Quotation Attribution
Deezer Research（Deezer 研究院）；Loria（洛里亚研究所）
针对现有直接引语说话者检测依赖局部语境信息的问题，本研究用预训练作者验证模型在小说语料库构建人物风格表征，发现风格加主题信息可区分人物但未提升引语归属效果，且结果因作品而异，需适配文学文本的文体模型。
2024-01-30 cs.CL
Contrastive Learning for Authorship Verification
Georgia Institute of Technology（佐治亚理工学院）
本文提出用对比学习改进作者身份验证，识别关键影响因素，并开发ModernBERT双编码器模型，在PAN21任务上达到98.4%准确率。
2026-09-24 cs.CL cs.LG
MedLatinEpi and MedLatinLit: Two Datasets for the Computational Authorship Analysis of Medieval Latin Texts
Scuola Normale Superiore（比萨高等师范学校）；Università di Pisa（比萨大学）
我们提出并提供MedLatinEpi和MedLatinLit，两个数据集的中世纪拉丁语文本中使用的计算作者分析的研究。MedLatinEpi和MedLatinLit分别由294和30个策展文本组成，按作者标记; MedLatinEpi文本具有书信性质，而MedLatinLit文本由关于各种主题的文学评论和论文组成。因此，这两个数据集有助于支持作者身份分析任务的研究，例如作者身份归属，作者身份验证或同一作者验证。随着数据集，我们提供了实验结果，在这些数据集上获得，用于作者身份验证任务，即，预测未知作者的文本是否由候选作者撰写的任务。我们还提供了我们使用的作者身份验证系统的源代码，从而允许我们的实验被复制，并被其他研究人员用作基线。我们还描述了上述作者身份验证系统的应用，使用这些数据集作为训练数据，调查作者的两个中世纪书信的作者身份一直有争议的学者。
2021-09-11 cs.CL cs.IR
Learning Text Styles: A Study on Transfer, Attribution, and Verification
SUTD（新加坡科技设计大学）；ISTD（科技设计学院）
本文围绕文本风格迁移、作者归属与作者验证三大任务，提出基于大语言模型参数高效适配、对比解耦和指令微调的方法，以提升风格操控与作者识别的效果和可解释性。
2025-07-22 cs.CL
StyleRemix: Interpretable Authorship Obfuscation via Distillation and Perturbation of Style Elements
University of Washington（华盛顿大学）；Allen Institute for AI（艾伦人工智能研究所）
针对现有LLM作者身份混淆方法缺乏可解释性和稳健性的问题，提出StyleRemix方法，利用预训练LoRA模块扰动细粒度风格要素进行自适应重写，并发布AuthorMix和DiSC数据集，在自动与人工评估中超越基线及更大模型。
2024-08-28 cs.CL
One-shot Style Transfer LLM log-probabilities for Authorship Attribution and Verification
Department of Computer Systems（计算机系统系）；Technical University of Madrid（马德里技术大学）
本文提出利用LLM的单次风格迁移能力，通过无监督方法提升作者身份识别与验证的性能，同时优化计算成本与任务表现的平衡。
2026-09-02 cs.AI cs.CL
Explainable Authorship Verification in Social Media via Attention-based Similarity Learning
Ruhr University Bochum（波鸿鲁尔大学）；Bucknell University（巴克内尔大学）
作者身份验证是分析两个或多个文本的语言模式，以确定它们是否由同一作者撰写的任务。传统上，分析是由考虑语言特征的专家进行的，这些特征包括拼写错误，语法不一致和文体。另一方面，机器学习算法可以被训练来完成相同的任务，但传统上依赖于所谓的风格特征。这些功能的缺点是，它们的可靠性大大降低了简短和主题不同的社交媒体文本。在这项跨学科的工作中，我们提出了一个最近发表的分层连体神经网络的方法，它是可行的学习神经功能和可视化的决策过程的实质性扩展。为了这个目的，一个新的大规模语料库的短亚马逊评论文本比较研究的编译，我们表明，暹罗网络拓扑结构优于国家的最先进的方法，建立在风格特征。我们对网络内部注意力权重的语言分析表明，所提出的方法确实能够抓住一些传统的语言类别。
2019-11-19 cs.CL
InstructAV: Instruction Fine-tuning Large Language Models for Authorship Verification
Singapore University of Technology and Design（新加坡科技设计大学）；Information Systems Technology and Design（信息系统技术与设计）
本文提出InstructAV方法，结合大型语言模型与参数高效微调，提升作者身份验证的准确性与可解释性，并在多个数据集上达到最先进性能。
2024-07-16 cs.AI cs.CL cs.LG
DAMASHA: Detecting AI in Mixed Adversarial Texts via Segmentation with Human-interpretable Attribution
NIT Silchar（Silchar国立理工学院）；BML Munjal（BML穆纳尔）；MBZUAI（穆罕默德·本·拉希德智能研究院）
DAMASHA通过整合风格学线索、困惑度信号和结构化边界建模，提高混合作者文本分割的鲁棒性，并引入可解释的归因以增强可理解性。
2026-01-04 cs.CL
Similarity Learning for Authorship Verification in Social Media
Ruhr University Bochum（波鸿鲁尔大学）；Bucknell University（巴克内尔大学）
作者身份验证试图回答两个未知作者的文档是否由同一作者撰写的问题。已经提出了一系列成功的技术方法来完成这项任务，其中许多是基于传统的语言特征，如n-gram。这些算法对于某些类型的书面文档（如书籍和小说）取得了良好的效果。然而，社交媒体的作者身份验证是一项更具挑战性的任务，因为消息往往相对较短，具有各种不同的类型和主题。在这一点上，基于n-gram等特征的传统方法取得了有限的成功。在这项工作中，我们提出了一个新的神经网络拓扑结构的相似性学习，显着提高了性能的作者验证任务，这样具有挑战性的数据集。
2019-08-20 cs.CL cs.LG stat.ML
Authorship Verification of Transcribed German-Language Videos
Fraunhofer Institute for Secure Information Technology SIT（弗劳恩霍夫安全信息技术研究所SIT）
该研究针对德语视频转录文本的作者身份验证缺口，实验发现传统n元语法AV方法在该任务上优于Transformer方法，验证了传统AV方法的竞争力。
2026-10-05 cs.CL
Theory-Grounded Evaluation Exposes the Authorship Gap in LLM Personalization
April 2026（2026年4月）
本文通过理论指导的评估方法，揭示了LLM个性化中作者身份差距的问题，采用三种测量传统评估四种个性化方法，发现理论指导的指标能提供更准确的基准。
2026-08-17 cs.CL
Latent Space Interpretation for Stylistic Analysis and Explainable Authorship Attribution
Columbia University（哥伦比亚大学）；University of Pennsylvania（宾夕法尼亚大学）
针对现有作者归属方法潜在空间不可解释的问题，提出通过识别潜在空间代表点并利用LLM生成风格自然语言描述的解释方法，实现了最优预测一致性，且能将人类完成作者归属任务的准确率平均提升约20%。
2024-09-11 cs.CL
Improving Authorship Verification using Linguistic Divergence
University of Houston（休斯顿大学）
我们提出了一个无监督的解决方案，作者身份验证任务，利用预先训练的深度语言模型计算一个新的度量称为DV距离。所提出的度量标准是两个作者之间的差异与预先训练的语言模型进行比较的度量。我们的设计解决了作者身份验证中的非可比性问题，经常遇到的小型或跨域语料库。据我们所知，本文是第一个介绍一种方法，设计与非可比性铭记从地面上，而不是间接。它也是第一个在这种环境中使用深度语言模型的语言。该方法是直观的，并且通过可视化很容易理解和解释。在四个数据集上的实验表明，我们的方法在大多数任务中匹配或超过了当前最先进的强基线。
2021-03-12 cs.CL cs.IR cs.LG
On the State of the Art in Authorship Attribution and Authorship Verification
DEVCOM Army Research Laboratory（DEVCOM陆军研究实验室）；Carnegie Mellon University（卡内基梅隆大学）；Duke University（杜克大学）
尽管作者归属（AA）和作者身份验证（AV）研究了几十年，但不一致的数据集分割/过滤和不匹配的评估方法使得难以评估最新技术水平。在本文中，我们对该领域进行了调查，解决了混淆点，介绍了验证和基准AA/AV数据集和指标的Valla，提供了大规模的实证评估，并提供现有方法之间的苹果对苹果比较。我们在15个数据集（包括分布转移的挑战集）上评估了8种有前途的方法，并介绍了一个新的基于古腾堡项目存档文本的大规模数据集。令人惊讶的是，我们发现传统的基于Ngram的模型在5个（7个）AA任务上表现最好，实现了$76.50\%$的平均宏观准确度（与基于BERT的模型的$66.71\%$相比）。然而，在每个作者的字数最多的两个AA数据集以及AV数据集上，基于BERT的模型表现最好。虽然AV方法很容易应用于AA，但它们很少作为AA论文的基线。我们表明，通过应用硬否定挖掘，AV方法是AA方法的竞争替代品。Valla和所有实验代码可以在这里找到：https://github.com/JacobTyo/Valla
2022-10-05 cs.AI cs.CL cs.LG
When Writing Style Drifts: Benchmarking Authorship Verification under Distribution Shifts in Genre, Time and the AI-Era
University of Technology Nuremberg (UTN)（纽伦堡工业大学（UTN））
本研究推出首个德语作者验证基准AVShift，对跨体裁、时间及AI时代分布偏移下的作者验证进行基准测试，发现微调LLM跨体裁泛化最佳，时间漂移是影响作者验证的最强因素之一，未观测到可测量的AI时代分布偏移。
2026-08-19 cs.CL
GerAV: Towards New Heights in German Authorship Verification using Fine-Tuned LLMs on a New Benchmark
University of Technology Nuremberg (UTN)（图恩大学（UTN））
本文提出GerAV基准，通过细调大语言模型在德国作者验证任务中取得新进展，展示了模型在零样本设置下的性能提升及领域适应性研究。
2026-04-22 cs.CL
Deep Bayes Factor Scoring for Authorship Verification
Ruhr University Bochum（波鸿鲁尔大学）；Bucknell University（巴克内尔大学）
PAN 2020作者身份验证（AV）挑战的重点是在一组同人小说文本上进行跨主题/封闭集AV任务。同人小说是由同人创作的故事情节的延伸，其中一个所谓的同人话题描述了文档的主要主题。PAN 2020 AV任务中提供的数据相当具有挑战性，因为包括了多个/不同同人圈主题的文本作者。在这项工作中，我们将两种众所周知的方法分层融合到一个端到端的学习过程中：底部的深度度量学习框架旨在学习一个伪度量，将可变长度的文档映射到固定大小的特征向量上。在顶部，我们结合了一个概率层，以在学习的度量空间中执行贝叶斯因子评分。我们还提供了文本预处理策略来处理跨主题问题。
2020-08-23 cs.CL cs.LG
Datasets and Models for Authorship Attribution on Italian Personal Writings
Institute of Linguistics and Language Technology, University of Malta（马耳他大学语言学与语言技术研究所）；Center for Language and Cognition, University of Groningen（格罗宁根大学语言与认知中心）
作者身份归因的现有研究主要集中在有大量数据的文本（如小说）上，主要是英语文本。我们在两个小说数据集上对意大利语短文进行了作者身份验证，并分析了体裁、主题、性别和长度之间的相互作用。结果表明，即使数据很少，AV也是可行的，但更多的证据会有所帮助。性别和话题可以作为指示性线索，如果不加以控制，它们可能会超过个人风格的更具体方面。
2020-11-16 cs.CL
The \textit{Questio de aqua et terra}: A Computational Authorship Verification Study
Istituto di Scienza e Tecnologie dell’Informazione Consiglio Nazionale delle Ricerche（国家研究委员会信息科学与技术研究所）
本文用结合监督机器学习与文体学的作者身份验证方法，基于330篇中世纪拉丁语文本评估系统，并以高置信度判断《Questio de aqua et terra》的作者归属。
2025-01-07 cs.CL cs.DL
LG4AV: Combining Language Models and Graph Neural Networks for Author Verification
L3S Research Center（L3S研究中心）；University of Kassel（卡塞尔大学）
文档作者的自动验证在各种设置中都很重要。例如，研究人员根据其出版物的数量和影响进行评判和比较，公众人物则根据他们在社交媒体平台上的帖子进行评判和比较。因此，经常使用的Web服务和平台中的作者身份信息是正确的，这一点很重要。一个给定的文档是否由给定的作者撰写的问题通常被称为作者身份验证（AV）。虽然AV是一个广泛研究的问题，一般来说，只有少数作品考虑设置的文件是短的，写在一个相当统一的风格。这使得大多数方法对于学术领域中的在线数据库和知识图谱是不实用的。在这里，科学出版物的作者必须得到验证，通常只有摘要和标题可用。在这一点上，我们提出了我们的新方法LG4AV结合语言模型和图神经网络的作者身份验证。通过直接在预先训练的Transformer架构中提供可用文本，我们的模型不需要任何手工制作的样式特征，这些特征在写作风格至少在某种程度上是标准化的场景中没有意义。通过将一个图神经网络结构，我们的模型可以受益于作者之间的关系，是有意义的验证过程。例如，科学作者更有可能写与他们的合著者有关的主题，而twitter用户则倾向于发布与他们关注的人相同的主题。我们实验评估我们的模型和研究在何种程度上包括合作作者提高了文献计量环境中的验证决策。
2021-09-03 cs.AI cs.CL cs.LG
CAVE: Controllable Authorship Verification Explanations
University of Southern California（南加利福尼亚大学）；Information Sciences Institute, University of Southern California（南加利福尼亚大学信息科学研究所）
本文提出离线模型 CAVE，通过生成结构统一且易于验证一致性的作者身份验证解释，结合 Prompt-CAVE 数据生成与 Cons-R-L 过滤，在保证任务准确率的同时提升解释质量。
2025-02-10 cs.AI cs.CL
AuthBench: A Large-Scale Multilingual Benchmark for Authorship Representation across Genres and Lengths
Cornell University（康奈尔大学）
AuthBench是一个大规模多语言作者身份表征基准，涵盖多种语言、体裁和长度，通过统一零样本协议评估47个神经模型，发现作者身份表征仍远未解决，并提供诊断资源以研究其成败原因。
2026-09-09 cs.AI cs.CL
Assessing the Applicability of Authorship Verification Methods
Fraunhofer Institute for Secure Information Technology SIT（弗劳恩霍夫安全信息技术研究所）
作者身份验证（AV）是数字文本取证领域的一个研究课题，它涉及两个文档是否由同一个人撰写的问题。在过去的二十年中，可以观察到越来越多的建议AV方法。然而，仔细研究各自的研究表明，这些方法的基本特征很少得到解决，这引起了人们对它们在实际法医环境中的适用性的怀疑。本文的目的是填补这一空白，提出明确的标准和属性，旨在改善现有和未来的AV方法的表征。基于这些属性，我们使用12个现有的AV方法进行了三个实验，包括当前的最新技术。在三个自编语料库上对所研究的方法进行了训练、优化和评估，其中每个语料库侧重于不同方面的适用性。我们的研究结果表明，部分方法能够应对非常具有挑战性的验证案例，例如250个字符长的非正式聊天对话（72.7%的准确率）或两份科学文件在不同时间撰写的情况下，平均差异为15.6年（> 75%的准确率）。然而，我们也发现，所有涉及的方法都容易出现跨主题验证的情况。
2019-06-24 cs.CL cs.LG stat.ML
Gram2Vec: An Interpretable Document Vectorizer
Department of Computer Science（计算机科学系）；Department of Linguistics（语言学系）；Institute for Advanced Computational Science（先进计算科学研究所）；Stony Brook University（石溪大学）
Gram2Vec通过语法特征的标准化相对频率实现文档向量化，用于作者身份验证和AI检测，展示其在可解释性上的优势。
2025-11-26 cs.CL
Grammar as a Behavioral Biometric: Using Cognitively Motivated Grammar Models for Authorship Verification
Linguistics and English Language University of Manchester（语言学与英语语言大学曼彻斯特大学）；Fraunhofer Institute for Secure Information Technology（安全信息技术弗劳恩霍夫研究所）；Cavanilles Institute of Biodiversity and Evolutionary Biology University of Valencia（生物多样性与进化生物学卡瓦尼尔斯研究所瓦伦西亚大学）；Speech and Language Laboratory ANU College of Asia and the Pacific（语言实验室ANU亚太学院）
本文提出基于认知语言学原理的语法模型，通过计算LambdaG比率来提高作者身份验证的性能和可解释性。
2026-04-10 cs.CL cs.LG
Normalisation-Based Likelihood Ratio Estimation for Forensic Authorship Verification
The University of Manchester（曼彻斯特大学）
研究针对法医作者身份验证中似然比估计问题，提出平方根校正和单字校正两种归一化技术，无需校准模型，经实验评估，性能与逻辑回归校准相当，单字校正更优，还具有减少数据需求等优势，支持在法医环境采用。
2026-07-13 cs.CL stat.AP
Can Large Language Models Identify Authorship?
Illinois Institute of Technology（伊利诺伊理工学院）；Emory University（埃默里大学）
本文研究大型语言模型在零样本作者身份验证与多候选作者归属中的能力，并提出引入显式语言特征引导推理，验证了LLMs无需领域微调即可取得优异表现并具备可解释性。
2024-10-22 cs.CL
Unary and Binary Classification Approaches and their Implications for Authorship Verification
检索索引的文件，而不是他们的主题内容，但他们的写作风格打开了大门，在信息检索（IR）的一些应用程序。一个应用是检索某个作者X的文本内容，其中被查询的IR系统预先被提供有X的一组参考文本。作者身份验证（AV），这是数字文本取证领域的一个研究课题，适合于这一目的。AV的任务是确定两个文档（即索引文档和参考文档）是否由同一作者X编写。尽管AV表示一元分类问题，但许多现有方法将其视为二元分类任务。然而，潜在的分类模型的AV方法有一些严重的影响，其先决条件，可评估性和适用性。在我们的综合文献综述中，我们观察到一些关于区分一元和二元AV方法的误解，需要考虑。本文的目的是，因此，澄清这些提出明确的标准和新的属性，旨在改善现有的和未来的AV方法的特性。鉴于这两个，我们调查现有的11个一元和二进制AV方法，以及四个通用的一元分类算法对两个自编语料库的适用性。此外，我们强调了一个重要的问题，关于评价AV方法的基础上固定的决策标准，这在以前的AV研究中没有受到重视。
2018-12-31 cs.CL cs.IR cs.LG
Forging the Forger: An Attempt to Improve Authorship Verification via Data Augmentation
Scuola Normale Superiore（比萨高等师范学院）；Istituto di Scienza e Tecnologie dell’Informazione, Consiglio Nazionale delle Ricerche（国家研究委员会信息科学与技术研究所）
该研究探索用模仿目标作者风格的合成负样本扩充训练集以提升对抗场景下作者身份验证性能，实验多种生成器、训练策略与分类器后发现方法效果零散不实用。
2024-10-29 cs.AI cs.CL cs.LG
Can Authorship Attribution Models Distinguish Speakers in Speech Transcripts?
Johns Hopkins University（约翰霍普金斯大学）；Université du Québec à Montréal（魁北克大学蒙特利尔分校）
针对语音转录文本说话人归属缺乏基准、现有书面文本模型受话题干扰大的问题，本文构建了控制话题关联的对话语音说话人归属新基准，对比多类基线模型确立SOTA，并分析了转录风格和微调的影响。
2025-05-16 cs.CL cs.LG
Learning Stylometric Representations for Authorship Analysis
作者身份分析（Authorship analysis，AA）是一种从大量呈指数级增长的文本数据中揭示作者隐藏属性的研究。它根据文本中反映的写作风格提取作者的身份和社会语言学特征。它是一个必不可少的过程，为各个领域，如网络犯罪调查，心理语言学，政治社会化，等等，然而，大多数以前的技术严重依赖于手工特征工程过程。因此，功能集的选择已被证明是依赖于场景或网络的。在本文中，模仿人类的句子组成过程中使用的神经网络的方法，我们建议将不同类别的语言特征的分布式表示的话，以同时学习的写作风格表示的基础上未标记的文本的作者身份分析。特别是，所提出的模型允许主题，词汇，句法和字符级别的特征向量的每个文件被提取为stylometrics。我们评估我们的方法的性能的问题上的作者身份的表征和作者身份验证与Twitter的，小说和论文数据集。实验表明，我们提出的文本表示优于袋的词汇-n-gram，潜在的狄利克雷分配，潜在的语义分析，PVDM，PVDBOW，和word 2 vec表示。
2016-06-03 cs.CL cs.CY cs.SI
Graph Reasoning with Context-Aware Linearization for Interpretable Fact Extraction and Verification
Imperial College London（帝国理工学院）；J.P. Morgan AI Research（摩根大通人工智能研究院）
本文提出了一个端到端的系统，使用文本和表格证据进行事实提取和验证，我们在FEVEROUS数据集上演示了该系统的性能。我们实验了两个多任务学习范式，以联合训练一个图注意力网络的任务的证据提取和准确性预测，以及一个单一的目标图模型，单独学习准确性预测和单独的证据提取。在这两种情况下，我们采用了一个框架，每个细胞线性化的表格证据，从而使我们能够从表中的序列处理证据。我们用于线性化表的模板捕获上下文以及表数据的内容。我们还提供了一个案例研究，以显示我们的方法的可解释性。我们性能最好的系统在盲态测试数据上实现了0.23的FEVEROUS评分和53%的标签准确度。
2021-09-25 cs.CL
Neurobiber: Fast and Interpretable Stylistic Feature Extraction
University of Michigan（密歇根大学）；Utrecht University（乌得勒支大学）；University of British Columbia（不列颠哥伦比亚大学）
针对大规模文体特征提取难题，本文提出基于Transformer的Neurobiber系统，结合Biber多维分析预测96种风格特征，速度提升56倍，性能媲美现有方法，支持下游NLP应用。
2025-02-25 cs.CL
Aggregation-Aware Synthetic Text Generation Against Authorship Re-Identification
The Pennsylvania State University（宾夕法尼亚州立大学）；Information Sciences and Technology（信息科学与技术学院）
该研究提出AAST框架，通过捆绑层面联合选择合成文本解决现有作者混淆方法忽略跨文档关联的问题，实验显示其可降低账户级可链接性并保留文本质量。
2026-08-25 cs.AI cs.CL
PARSI: Persian Authorship Recognition via Stylometric Integration
Sharif University of Technology（沙菲大学技术学院）；Amirkabir University of Technology（阿米尔卡比尔技术大学）
本研究提出PARSI框架，通过整合transformer编码器与Word2Vec、文体和韵律特征，在67位波斯诗人的647,653行诗句语料库上实现作者识别，加权投票达71%准确率，阈值过滤下达97%准确率。
2025-06-27 cs.AI cs.CL
LOREN: Logic-Regularized Reasoning for Interpretable Fact Verification
ByteDance AI Lab（字节跳动人工智能实验室）
给定一个自然语言语句，如何在维基百科这样的大规模文本知识源中验证其真实性？大多数现有的神经模型在进行预测时，都没有给出错误声明的哪一部分出错的线索。在本文中，我们提出了LOREN，可解释的事实验证的方法。我们在短语级别上分解整个声明的验证，其中短语的准确性作为解释，并且可以根据逻辑规则聚合到最终判决中。LOREN的核心思想是将索赔短语准确性表示为三值潜变量，并通过聚集逻辑规则进行正则化。最终的索赔验证是基于所有潜在变量。因此，LOREN享有可解释性的额外好处-很容易解释它如何通过声明短语的准确性达到某些结果。在一个公共事实验证基准上的实验表明，LOREN与以前的方法相比具有竞争力，同时具有忠实和准确的可解释性。LOREN的资源可在https://github.com/jiangjiechen/LOREN上获得。
2021-12-09 cs.AI cs.CL
Read it Twice: Towards Faithfully Interpretable Fact Verification by Revisiting Evidence
Tsinghua University（清华大学）；University of Cambridge（剑桥大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
针对现有证据检索方法无法同时满足忠实性、合理性及提升验证准确率要求的问题，提出ReRead事实验证模型，分阶段训练可解释证据检索器与重访证据的主张验证器，在不同设置下均取得显著性能提升。
2023-05-02 cs.CL cs.IR
Oldies but Goldies: The Potential of Character N-grams for Romanian Texts
Babe \textcommabelow s-Bolyai University（巴贝-斯-博耶伊大学）
本研究基于ROST语料库评估六种机器学习技术，发现轻量级字符n-gram特征结合ANN模型在罗马尼亚语作者归属任务中达到最先进准确率，证明了简单文体特征在资源受限语言中的潜力。
2025-06-27 cs.CL
POSNoise: An Effective Countermeasure Against Topic Biases in Authorship Analysis
Fraunhofer Institute for Secure Information Technology SIT（弗劳恩霍夫安全信息技术研究所）
作者身份验证是数字文本取证中的一项基础性研究任务，主要解决两篇文本是否出自同一人之手的问题。近年来，已经提出了各种各样的AV方法，专注于这个问题，可以分为两类：第一类是指基于显式定义的特征的方法，其中一个完全控制哪些特征被考虑以及它们实际代表什么。另一方面，第二类涉及基于隐式定义的特征的AV方法，其中不涉及控制机制，因此文本中的任何字符序列都可以用作潜在特征。然而，属于第二类的AV方法承担的风险，文本的主题可能会偏向他们的分类预测，这反过来又可能导致误导性的结论，他们的结果。为了解决这个问题，我们提出了一种名为POSNoise的预处理技术，它可以有效地屏蔽给定文本中与主题相关的内容。通过这种方式，AV方法被迫专注于与写作风格更相关的文本单元。我们基于六种AV方法（属于第二类）和七个语料库的经验评估表明，与42例中的34例中的知名主题掩蔽方法相比，POSNoise导致了更好的结果，准确性提高了10%。
2021-07-01 cs.CL cs.DL cs.LG
Decoding AI Authorship: Can LLMs Truly Mimic Human Style Across Literature and Politics?
College of Computer and Information Sciences, King Saud University（沙特国王大学计算机与信息科学学院）
研究探讨了先进大语言模型在模仿文学和政治作家风格方面的能力，发现AI生成文本仍易被检测，主要差异在于随机性与情感密度。
2026-03-24 cs.CL cs.LG
Unified Dual-view Cognitive Model for Interpretable Claim Verification
Xi’an Jiaotong University（西安交通大学）
最近的研究在声明和每个用户响应（评论或相关文章）之间构建直接交互以捕获证据，在可解释的声明验证方面取得了显着的成功。由于不同的单一响应传达了个体用户的不同认知（即，受众），所捕获的证据属于个体认知的视角。然而，个体对社会事物的认知并不总是能够真实地反映客观。他们对某项主张的看法可能存在片面或有偏见的语义。捕获的证据相应地包含一些不客观和有偏见的证据碎片，降低了任务绩效。在本文中，我们提出了一个双视图模型的基础上的观点的集体和个人的认知（CICD）的可解释性索赔验证。从集体认知的角度来看，我们不仅捕获了基于个体用户的词级语义，而且还关注了词级语义（即，总体答复），并调整它们之间的比例，以产生全球证据。从个体认知角度出发，选取差异度高的前$k$文章，与主张互动，挖掘局部关键证据片段。为了削弱个体认知-观点证据的偏差，设计了不一致损失来抑制全局和局部证据之间的分歧，以增强全局和局部证据之间的一致共享证据。在三个基准数据集上的实验证实了CICD达到了最先进的性能。
2021-05-20 cs.AI cs.CL cs.CY
ThinknCheck: Grounded Claim Verification with Compact, Reasoning-Driven, and Interpretable Models
University of Pennsylvania（宾夕法尼亚大学）
ThinknCheck 通过生成结构化推理和二元判断实现 grounded claim 验证，其在 LLMAggreFact 上达到 78.1% 的平衡准确率，优于 MiniCheck-7B，且在 SciFact 上提升 14.7 个百分点。
2026-04-02 cs.AI cs.CL
The Many Voices of Duying: Revisiting the Disputed Essays Between Lu Xun and Zhou Zuoren
Shanghai Normal University（上海师范大学）；Indiana University Bloomington（印第安纳大学伯明顿分校）
本研究用量化文体计量方法重审鲁迅与周作人1912年的三篇笔名存疑散文，明确了各文作者归属与合作情况，佐证鲁迅沉默期仍暗涉社会议题，补充了二人早期思想轨迹研究。
2023-09-30 cs.CL
A Multi-Agent Approach for Claim Verification from Tabular Data Documents
University of British Columbia（不列颠哥伦比亚大学）
本文提出多智能体框架MACE，通过规划器、执行器和验证器三个智能体，实现可解释的表格数据验证，实验显示其在多个数据集上达到SOTA性能，且在参数较少时仍表现优异。
2026-04-19 cs.CL
VeriLA: A Human-Centered Evaluation Framework for Interpretable Verification of LLM Agent Failures
University of Maryland（马里兰大学）；Megagon Labs（美加贡实验室）
本文提出以人为本的 VeriLA 框架，利用人工准则与经黄金标准训练的验证器细粒度诊断 LLM 智能体失败，从而降低检查负担并提升复合 AI 系统的可解释性与可信度。
2025-03-16 cs.AI cs.CL cs.HC
Interpretable Predictability-Based AI Text Detection: A Replication Study
Faculty of Information Technology, Brno University of Technology（布拉格技术学院）；Kempelen Institute of Intelligent Technologies（智能技术研究所）
本文复制并扩展了AuTexTification 2023共享任务中用于机器生成文本作者归属的系统，测试了新多语言模型并添加了26个文档级风格学特征，通过SHAP分析探讨特征影响，使用Qwen等新生成模型提升性能，多语言配置在性能上不逊于语言特定模型。
2026-09-01 cs.AI cs.CL cs.LG
