Attribution and Obfuscation of Neural Text Authorship: A Data Mining Perspective
Penn State University（宾夕法尼亚州立大学）；University of Mississippi（密西西比大学）
作者身份归属（AA）和作者身份混淆（AO）是隐私研究中两个日益引起兴趣和重要性的相互关联的研究问题。给定一个工件，特别是一个有问题的文本t，AA解决方案的目标是准确地将t归因于许多候选作者中的真实作者，而AO解决方案的目标是修改t以隐藏其真实作者。传统上，作者身份的概念及其伴随的隐私问题只针对人类作者。然而，近年来，由于NLP中神经文本生成（NTG）技术的爆炸性进步，能够合成人类质量的开放式文本（所谓的“神经文本”），人们现在必须考虑人类，机器或其组合的作者。由于神经文本在恶意使用时的影响和潜在威胁，了解传统AA/AO解决方案的局限性并开发新的AA/AO解决方案来处理神经文本变得至关重要。因此，在这项调查中，我们从数据采掘的角度对神经文本作者的归属和混淆的最新文献进行了全面的回顾，并分享了我们对他们的局限性和有前途的研究方向的看法。
2023-03-13 cs.CL cs.LG
Syllabic Quantity Patterns as Rhythmic Features for Latin Authorship Attribution
Scuola Normale Superiore（比萨高等师范学校）
众所周知，在拉丁文的书面文本中，不仅诗歌作品，而且许多散文作品都遵循特殊的公制方案。这种度量模式是基于所谓的音节量，即，在所涉及的音节的长度，有大量的证据表明，某些作者有一个特定的度量模式比其他人的偏好。在这项研究中，我们调查的可能性，采用音节数量为基础，推导出拉丁散文文本的计算作者归属的任务节奏特征。我们测试的影响，这些功能的作者归属任务时，结合其他主题不可知的功能。我们的实验，在三个不同的数据集上进行，使用两种不同的机器学习方法，表明基于音节数量的节奏特征有利于区分拉丁散文作者。
2021-10-27 cs.CL cs.LG
Text Classification For Authorship Attribution Analysis
Cochin University（科钦大学）；Adi Shankara Institute of Engineering and Technology（阿迪·商羯罗工程技术学院）
作者归属主要是指文学作品的作者未定问题。作者归属在解决诸如作者身份不确定、未知文本的作者身份识别、剽窃识别等问题上是非常有用的。统计方法可以用来从数字上区分作者的方法。计算文体学的基本方法是字长、句长、词汇量、频率等。每个作者都有自己独特的写作风格。统计定量技术可以用来区分作者的方法在一个数字的方式。该问题可以分解为作者识别、作者刻画和相似性检测三个子问题。所涉及的步骤是预处理，提取特征，分类和作者识别。为此，可以使用不同的分类器。这里使用模糊学习分类器和SVM。经过作者的识别，SVM比模糊分类器有更高的准确性。后来结合分类器，以获得更好的准确性相比，单独的SVM和模糊分类器。
2013-10-18 cs.CL cs.DL cs.LG
Whodunit? Learning to Contrast for Authorship Attribution
National University of Singapore（新加坡国立大学）；AWS AI Research & Education（亚马逊云科技人工智能研究与教育部门）
作者归属是识别给定文本的作者的任务。关键是找到可以区分作者的表示。现有的方法通常使用手动设计的功能来捕获数据集的内容和样式，但这些方法依赖于数据集，并且在语料库中产生不一致的性能。在这项工作中，我们提出了\textit{learning}作者特定的表示微调预训练的通用语言表示与对比的目标（对比-X）。我们表明，反X学习表示，形成高度可分离的集群不同的作者。它在多个人类和机器作者归属基准上推进了最先进的技术，使交叉熵微调的改进高达6.8%。然而，我们发现，对某些作者来说，Contra-X以牺牲性能为代价提高了整体准确性。化解这一紧张关系将是今后工作的重要方向。据我们所知，我们是第一个将对比学习与预训练的语言模型微调结合起来的作者归属。
2022-10-10 cs.AI cs.CL cs.LG
Variational Autoencoder with Embedded Student-$t$ Mixture Model for Authorship Attribution
Ruhr University Bochum（波鸿鲁尔大学）；Bucknell University（巴克内尔大学）
传统的计算作者归属描述的是闭集场景下的分类任务。给定一组有限的候选作者和相应的标记文本，目标是确定哪些作者写了另一组匿名或有争议的文本。在这项工作中，我们提出了一个概率自动编码框架来处理这个监督分类任务。更确切地说，我们正在扩展的变分自编码器（VAE）与嵌入高斯混合模型的学生- $t$混合模型。自动编码器在学习潜在表征方面取得了巨大的成功。然而，现有的VAE目前仍然受到潜在空间中潜在概率分布的假定高斯性所施加的限制的约束。在这项工作中，我们将VAE的高斯模型扩展到Student- $t$模型，该模型允许独立控制隐含概率密度各自尾部的“沉重程度”。在亚马逊评论数据集上的实验表明，所提出的方法具有优越的性能。
2020-05-28 cs.CL cs.LG stat.ML
Authorship Attribution in Bangla literature using Character-level CNN
Shahjalal University of Science and Technology（沙贾拉勒科技大学）
字符是文本的最小单位，可以提取样式信号来确定文本的作者。在本文中，我们调查的有效性，字符级的信号在孟加拉文学的作者归属，并表明，结果是有前途的，但可改进的。所提出的模型的时间和内存效率是远远高于词级同行，但准确率是2-5%，低于最好的表现词级模型。各种基于单词的模型进行比较，并表明，该模型的性能越来越好，更大的数据集。我们还分析了不同孟加拉语字符集的预训练字符嵌入在作者归属中的效果。可以看出，性能在预训练时提高了10%。我们使用了来自6到14位作者的2个数据集，在训练之前对它们进行平衡并比较结果。
2020-01-11 cs.AI cs.CL cs.LG
Boosting word frequencies in authorship attribution
Institute of Polish Language, Polish Academy of Sciences（波兰科学院波兰语研究所）
在本文中，我介绍了一个简单的方法来计算相对词频的作者归属和类似的文体任务。我认为，一个更有效的规范化因子是相关令牌的总数，而不是计算相对频率的出现次数除以一个给定的词在文本中的令牌的总数。相关词的概念包括同义词，通常还有几十个在某些方面与所讨论的词语义相似的其他词。为了确定这样的语义背景，可以使用词嵌入模型之一。所提出的方法优于经典的最频繁的词的方法，通常由几个百分点，这取决于输入设置。
2022-11-02 cs.CL cs.LG
Character-level and Multi-channel Convolutional Neural Networks for Large-scale Authorship Attribution
Insight Centre for Data Analytics（数据洞察中心）；Aylien Ltd.（Aylien 有限公司）；National University of Ireland, Galway（爱尔兰国立大学戈尔韦分校）
卷积神经网络（CNN）在从计算机视觉的原始信号中提取信息方面表现出优越的能力。最近，字符级和多通道CNN在句子分类任务中表现出了出色的性能。我们将CNN应用于大规模的作者归属，其目的是在许多候选作者中确定未知文本的作者，其动机是处理字符级信号并区分大量类别的能力，同时与最先进的方法相比进行快速预测。我们广泛评估了基于CNN的方法，这些方法利用单词和字符通道，并将它们与最先进的方法进行比较，以获得大范围的作者数量，从而为传统方法提供新的视角。我们发现，字符级CNN在不同领域的五个数据集中有四个数据集上的表现优于最先进的技术。此外，我们还首次将作者归属应用于reddit。
2016-09-21 cs.CL cs.LG
Git Blame Who?: Stylistic Authorship Attribution of Small, Incomplete Source Code Fragments
George Washington University（乔治华盛顿大学）；Sophos（索福斯）；ICF International（ICF国际）；United States Army Research Laboratory（美国陆军研究实验室）；New York University（纽约大学）；Drexel University（德雷塞尔大学）
程序作者归属对希望匿名贡献代码的程序员的隐私有影响。虽然以前的工作已经表明，单独创作的完整文件可以被归因，但我们在这里首次展示了属于开源贡献者的帐户，其中包含简短，不完整且通常不可编译的片段也可以有效地归因。我们提出了一种技术，作者归属的贡献者帐户包含小的源代码样本，如那些可以从版本控制系统或其他直接比较的顺序版本。我们表明，虽然以前的方法应用到个人小的源代码样本产生约73%的准确度为106程序员作为基线，通过集合和平均的分类概率足够大的一组样本属于同一作者，我们实现了99%的准确度分配给正确的作者的一组样本。通过这些结果，我们证明了归因是对程序员隐私的一个重要威胁，即使在现实世界的协作环境中，如GitHub。此外，我们建议使用校准曲线来识别未知的和以前从未遇到过的作者在开放世界设置的样品。我们表明，我们也可以使用这些校准曲线的情况下，我们没有链接信息，从而被迫直接对单个样本进行分类。这是因为校准曲线使我们能够识别哪些样品更有可能被正确归因。使用这样的曲线可以帮助分析师选择一个截止点，这将防止大多数错误分类，代价是导致拒绝一些更可疑的正确归因。
2019-07-26 cs.CR cs.LG
Style-aware Neural Model with Application in Authorship Attribution
University of Central Florida（中佛罗里达大学）
写作风格是与特定作者在不同语言产生水平（包括词汇，句法和结构）相关的一致决定的组合。在本文中，我们引入了一个风格感知的神经模型编码的文档信息从三个风格层次和评估它在域的作者归属。首先，我们提出了一个简单的方法来共同编码句子的句法和词汇表示。随后，我们采用了基于注意力的分层神经网络来编码文档中句子的句法和语义结构，同时奖励那些对捕捉写作风格贡献更大的句子。我们的实验结果，四个基准数据集的基础上，揭示了编码文档信息的好处，从所有三个文体水平相比，在文献中的基线方法。
2019-09-12 cs.CL 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
Explainable Disentangled Representation Learning for Generalizable Authorship Attribution in the Era of Generative AI
University of Oregon（俄勒冈大学）；Adobe Research（Adobe研究）
本文提出EAVAE框架，通过解耦风格与内容来提升作者归属和AI生成文本检测的泛化能力，实验表明在多个数据集上达到最佳性能。
2026-04-23 cs.CL cs.IR 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
Integrating Bidirectional Long Short-Term Memory with Subword Embedding for Authorship Attribution
University of Pretoria（比勒陀利亚大学）；University of the Witwatersrand（金山大学）；Durban University of Technology（德班理工大学）
提出基于BLSTM与二维CNN的方法，利用子词信息捕捉序列写作风格，解决作者归属中未登录词问题，在CCAT50和Twitter上准确率分别提升1.07%和0.96%。
2023-06-26 cs.AI cs.CL cs.LG
A Girl Has A Name: Detecting Authorship Obfuscation
The University of Iowa（爱荷华大学）
作者归属的目的是在文体分析的基础上确定文本的作者。另一方面，作者身份混淆旨在通过修改文本的风格来防止作者归属。在本文中，我们评估了对抗性威胁模型下最先进的作者身份混淆方法的隐蔽性。混淆器是隐形的，在某种程度上，对手发现检测混淆器修改的文本是否被混淆是具有挑战性的-这是对作者归属感兴趣的对手的关键决定。我们发现，现有的作者身份混淆方法并不隐秘，因为它们的混淆文本可以被识别，平均F1得分为0.87。缺乏隐蔽性的原因是这些模糊器以可检测的方式降低了文本平滑度，如神经语言模型所确定的。我们的研究结果强调需要开发隐形的作者身份混淆方法，可以更好地保护作者的身份寻求匿名。
2020-05-02 cs.CL cs.IR cs.LG
Enhancing Authorship Attribution with Synthetic Paintings
本研究通过结合真实和合成数据提升绘画作者归属的准确率和泛化能力。
2026-03-04 cs.CV cs.LG
The Hidden DNA of LLM-Generated JavaScript: Structural Patterns Enable High-Accuracy Authorship Attribution
Technology Innovation Institute（技术创新研究所）；Eötvös Loránd University（欧多芬·洛尔兰大学）；United Arab Emirates University（联合阿拉伯酋长国大学）；University of Oslo（奥斯陆大学）
本文提出LLM-NodeJS数据集，通过分析生成JavaScript代码的结构模式，实现高精度的作者归属和模型指纹识别。
2025-11-30 cs.CR cs.LG
Syntactic Recurrent Neural Network for Authorship Attribution
University of Central Florida（中佛罗里达大学）
写作风格是在语言产生的不同层面上，包括与特定作者（或作者群体）相关的词汇，句法和结构的一致决定的组合。虽然基于词汇的模型在基于风格的文本分类中得到了广泛的研究，但在处理由各种主题组成的异构数据时，依赖于内容的模型的可扩展性较差。另一方面，与内容无关的句法模型对主题变化更鲁棒。在本文中，我们引入了一个句法循环神经网络编码的句法模式的一个层次结构的文件。该模型首先从词性标签序列中学习句子的句法表示。为此，我们利用卷积滤波器和长短期记忆来研究句子中词性标签的短期和长期依赖性。随后，句子的句法表示使用递归神经网络聚合成文档表示。我们在PAN 2012数据集上进行的作者归属任务的实验结果表明，句法循环神经网络在准确率方面比具有相同架构的词汇模型高出约14%。
2019-02-27 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
IDTraffickers: An Authorship Attribution Dataset to link and connect Potential Human-Trafficking Operations on Text Escort Advertisements
Maastricht University（马斯特里赫特大学）；Bashpole Software, Inc.（巴什波尔软件公司）
本研究发布了包含8万余条陪侍广告文本的IDTraffickers数据集，通过训练DeCLUTR-small模型建立作者归属基准，助力执法机构识别关联潜在人口贩运活动。
2023-10-09 cs.CL cs.CY cs.LG
Two Birds with One Stone: Multi-Task Detection and Attribution of LLM-Generated Text
University of Georgia（佐治亚大学）；Egypt-Japan University of Science and Technology（埃及-日本科学技术大学）；University of Louisville（路易斯维尔大学）
针对LLM生成文本的检测与归属问题，提出多任务学习框架DA-MTL，在多数据集与骨干模型上验证其多语言、多来源性能及鲁棒性，为相关任务泛化提供见解。
2025-08-19 cs.CL cs.CR cs.LG
Enhancing Authorship Attribution through Embedding Fusion: A Novel Approach with Masked and Encoder-Decoder Language Models
University at Buffalo, The State University of New York（纽约州立大学布法罗分校）
针对AI生成与人类撰写文本的区分需求，提出基于多预训练语言模型嵌入融合的作者归属识别框架，在五类大模型生成的平衡数据集上实现超96%的分类准确率与0.93以上的MCC，验证了方法的有效性与鲁棒性。
2024-11-01 cs.CL cs.LG
Are You Robert or RoBERTa? Deceiving Online Authorship Attribution Models Using Neural Text Generators
University of Kent（肯特大学）
最近，强大的预训练自然语言模型的开发正在兴起，包括GPT-2、Grover和XLM。这些模型已经显示出对各种不同NLP任务的最先进的能力，包括问答，内容摘要和文本生成。除此之外，还有许多研究关注在线作者归属（AA）。也就是说，使用模型来识别在线文本的作者。鉴于自然语言模型在生成令人信服的文本方面的能力，本文研究了这些语言模型在多大程度上可以生成能够欺骗在线AA模型的文本。实验与博客和Twitter的数据，我们利用GPT-2语言模型生成文本使用现有的帖子的在线用户。然后，我们研究这些基于AI的文本生成器是否能够模仿作者风格，以至于它们可以欺骗典型的AA模型。由此，我们发现当前基于人工智能的文本生成器能够成功地模仿作者身份，在两个数据集上都显示了这方面的能力。我们的研究结果，反过来，突出了强大的自然语言模型，以生成原始的在线帖子，能够模仿作者风格足以欺骗流行的AA方法的当前能力;一个关键的发现，考虑到AA在现实世界中的应用，如垃圾邮件检测和法医调查的建议作用。
2022-03-18 cs.AI cs.CL cs.LG
Who's Behind the Text? Robust Model Authorship Attribution
Korea Advanced Institute of Science and Technology（韩国科学技术院）
针对现有模型作者归属（MAA）方法在分布偏移下性能下降的问题，提出ATLAS方法，结合MAABench基准验证其在OOD场景下的性能优于基线，还可用于识别蒸馏源模型。
2026-10-15 cs.AI cs.CL cs.LG
I Know Which LLM Wrote Your Code Last Summer: LLM generated Code Stylometry for Authorship Attribution
University of Oslo（奥斯陆大学）；Technology Innovation Institute（技术创新研究所）；Eötvös Lóránd University（欧多西亚·洛拉恩大学）；Guelma University（盖尔马大学）；University of Oslo, Cyentific AS（奥斯陆大学，Cyentific AS）
本文提出CodeT5-Authorship模型，仅用编码器进行C程序作者归属，并构建LLM-AuthorBench基准，在二分类和多分类中分别达到97.56%和95.40%的准确率。
2025-06-18 cs.AI cs.LG cs.SE
Domain Specific Author Attribution Based on Feedforward Neural Network Language Models
Purdue University（普渡大学）
作者归属是指根据给定的文本样本自动确定作者的任务。它是一个历史悠久、应用广泛的问题。使用语言模型构建作者配置文件是自动化此任务的最成功的方法之一。基于神经网络的新语言建模方法缓解了维数灾难，并且通常优于传统的N-gram方法。然而，还没有太多的研究将它们应用于作者归属。在本文中，我们提出了一种新的神经网络语言模型（NNLM）的设置，并将其应用到一个数据库的文本样本来自不同的作者。我们研究了NNLM如何在中等作者集大小和相对有限的训练和测试数据的任务上执行，以及文本样本的主题如何影响准确性。NNLM实现了近2.5%的困惑减少，这是一个训练的语言模型对测试数据的适应度的度量。在5个随机测试句子的情况下，与使用SRILM工具的N-gram方法相比，作者分类准确率平均提高了3.43%。我们的方法的开源实现可以在https://github.com/zge/authorship-attribution/上免费获得。
2016-02-24 cs.CL cs.LG cs.NE
De-Anonymization at Scale via Tournament-Style Attribution
Beihang University（北京航空航天大学）；Peking University（北京大学）
研究利用LLM链接匿名文档与其作者，提出大规模去匿名化方法DAS，通过分组筛选和多数投票提升鲁棒性和精度，实验显示在匿名平台存在现实隐私风险。
2026-04-16 cs.CL cs.CR cs.LG
Comparative study of Authorship Identification Techniques for Cyber Forensics Analysis
G.H.Raisoni College of Engineering（G.H.拉伊索尼工程学院）；MPGI
作者身份识别技术用于从一组潜在的在线消息嫌疑人中识别出最合适的作者，并找到证据来支持结论。网络犯罪分子利用在线通信发送勒索邮件或垃圾邮件，然后试图隐藏自己的真实身份以逃避检测。在线消息的作者身份识别是当前网络取证中身份追踪的研究课题。这是一个高度跨学科的领域，因为它利用了机器学习，信息检索和自然语言处理。在本文中，最近的技术和自动化的方法来归因于作者的在线消息的研究。本综述研究的重点是总结所有现有的作者身份识别技术在文献中使用，以确定作者的在线消息。此外，它还讨论了评价标准和参数的作者归属研究，并列出开放的问题，将吸引未来的工作在这一领域。
2013-12-24 cs.CR cs.CY cs.IR
Higher Criticism for Discriminating Word-Frequency Tables and Testing Authorship
Stanford University（斯坦福大学）
本研究调整Higher Criticism拟合优度检验用于衡量词频表相似度，应用于作者归属任务，无需手工调参即达SOTA准确率，还能识别作者特征词，且受主题结构影响小。
2022-06-21 cs.CL cs.LG stat.CO
From Small to Large Language Models: Revisiting the Federalist Papers
Booth School of Business of the University of Chicago（芝加哥大学布斯商学院）
本文重访《联邦党人文集》作者归属问题，比较小型与大型语言模型，发现基于功能词主题嵌入的贝叶斯方法优于默认 LLM 嵌入，表明传统统计语言模型在作者归属中仍具优势。
2025-04-11 cs.CL cs.LG stat.ML
An agent-driven semantical identifier using radial basis neural networks and reinforcement learning
University of Catania（卡塔尼亚大学）
由于数字化文档的巨大可用性，以及数字化文档的本质和传播方式所带来的欺骗可能性的增加，作者归属问题的相关性不断增强。目前，作者归属在信息检索和分析中，在安全、信任和版权保护的背景下变得非常重要。这项工作提出了一种创新的多代理驱动的机器学习技术，已开发的作者归属。通过对常用词汇进行预处理和时间段相关分析，确定词汇在分析文本中重复出现频率的偏差参考水平，然后训练基于径向基神经网络（RBPNN）的分类器识别正确的作者。所提出的方法的主要优点在于语义分析的通用性，它可以应用于不同的上下文和词汇域，而不需要任何修改。此外，所提出的系统能够结合外部输入，这意味着调整分类器，然后通过连续学习强化进行自我调整。
2014-09-30 cs.AI cs.CL cs.LG
Can Authorship Representation Learning Capture Stylistic Features?
U.S. Department of Defense（美国国防部）；Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）；Johns Hopkins University（约翰霍普金斯大学）
针对作者身份表示是否主要编码写作风格的疑问，通过一系列针对性实验验证了该表示对写作风格敏感，为其应对数据偏移及风格迁移等下游应用提供支撑。
2023-08-24 cs.CL cs.LG
A ripple in time: a discontinuity in American history
University of Austin, Texas（得克萨斯大学奥斯汀分校）；Temple University（天普大学）
针对历史数据集数据量小、文本特征变异大的问题，提出一种发现时间与人格方面的新方法，在42任美国总统国情咨文上实现95%作者归属准确率并能将写作日期定位到单个总统任期。
2025-02-10 cs.AI cs.CL cs.LG
Same or Different? Diff-Vectors for Authorship Analysis
Scuola Normale Superiore（比萨高等师范学校）；Istituto di Scienza e Tecnologie dell’Informazione, Consiglio Nazionale delle Ricerche（意大利国家研究委员会信息科学与技术研究所）
我们研究了作者身份识别任务的影响，在如何构思的矢量表示的文件，作为输入到一个监督学习的根本转变。在“经典”作者身份分析中，特征向量表示文档，特征的值表示文档中特征的相对频率（的递增函数），类标签表示文档的作者。相反，我们研究的情况下，一个特征向量表示一个无序的文件对，一个功能的值表示的绝对差异的相对频率（或其递增函数）的功能在两个文件中，和类标签表明是否这两个文件是来自同一作者或没有。后一种（独立于学习者的）表征类型以前偶尔使用过，但从未被系统地研究过。我们认为这是有利的，在某些情况下（例如，作者身份验证），它向训练过程提供比标准表示大得多的信息量。我们在几个公开可用的数据集上进行的实验（其中一个是我们在这里首次提供的）表明，表示成对文档的特征向量（我们在这里称之为Diff-Vectors）可以系统地提高作者身份识别任务的有效性，特别是当训练数据稀缺时（因为在现实生活中的作者身份识别场景中经常出现这种情况）。我们的实验解决了同一作者验证，作者身份验证和闭集作者身份归属;虽然DV自然适合解决第一个问题，但我们还提供了两种解决第二个和第三个问题的新方法，这些方法使用第一个问题的求解器作为构建块。
2023-01-24 cs.AI cs.LG
TraSE: Towards Tackling Authorial Style from a Cognitive Science Perspective
针对作者风格分析受主题影响、作者可区分性不足及数据需求大的问题，提出TraSE特征表示，并在大规模跨域作者归属中达到90%准确率。
2023-12-06 cs.AI cs.CL cs.LG
T5 meets Tybalt: Author Attribution in Early Modern English Drama Using Large Language Models
Cornell University（康奈尔大学）
本文研究大型语言模型在早期现代英语戏剧作者归属中的应用，发现微调后的 t5-large 在小段落归属上优于逻辑回归、线性核 SVM 和 cosine delta 等基线，但模型存在自信误判及预训练数据作者偏差等隐患。
2023-10-27 cs.CL cs.LG
Can You Fool AI by Doing a 180? $\unicode{x2013}$ A Case Study on Authorship Analysis of Texts by Arata Osada
Tohoku University of Community Service and Science（东北公益文科大学）；Kitami Institute of Technology（北见工业大学）
本文是我们试图回答一个双重的问题，涵盖了道德和作者分析领域。首先，由于用于进行作者身份分析的方法意味着作者可以通过他或她创作的内容来识别，我们有兴趣了解作者识别系统是否有可能正确地将作品归属于作者，如果在多年的过程中，他们经历了一个重大的心理转变。其次，从作者伦理价值观演变的角度，我们检验了如果作者归属系统在发现单一作者时遇到困难，这意味着什么。我们开始回答这些问题，通过使用基于预训练的Transformer模型的文本分类器和依赖于传统相似性度量的基线方法执行二进制作者身份分析任务。作为测试集，我们选择了日本教育家和教育史专家Arata Osada的作品，其中一半是第二次世界大战前的书籍，另一半是20世纪50年代的书籍，在这两者之间，他经历了政治观点的转变。因此，我们能够确认，在长田新田在10年以上的时间跨度内创作的文本中，虽然分类准确率大幅下降，并且大大低于其他非小说作家的文本，但预测的置信度得分保持在与较短时间跨度的情况相似的水平，这表明分类器在许多情况下被欺骗，从而决定在多年的时间跨度内撰写的文本实际上是由两个不同的人撰写的，这反过来又使我们相信这种变化会影响作者身份分析，历史事件对一个人在其作品中表达的道德观有很大的影响。
2022-07-19 cs.AI cs.CL cs.LG
Multiple Authors Detection: A Quantitative Analysis of Dream of the Red Chamber
受《红楼梦》作者归属之争和机器学习在文学文体学研究中的应用启发，我们通过测试写作风格中所谓的时间划分，开发了一种严格的作者归属数学分析新方法。我们的方法结合了作者归属研究的一些最新进展，特别是支持向量机的技术。通过引入相对频率的概念作为特征排序度量，我们的方法被证明是非常有效和鲁棒的。将我们的方法应用于《红楼梦》的澄高译本，得到了令人信服的（如果不是无可辩驳的话）证据，即该书的前$80$章和后$40$章是由两个不同的作者写的。此外，我们的分析出乎意料地为第六十七章也不是曹雪芹的作品的假设提供了强有力的支持。我们还对其他三部经典小说进行了测试。正如预期的那样，没有发现时间划分。这进一步证明了我们的方法的鲁棒性。
2014-12-19 cs.CL cs.LG
