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
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
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
Citation network applications in a scientific co-authorship recommender system
Sberbank（俄罗斯联邦储蓄银行）；National University of Science and Technology “MISIS”（国立研究型技术大学莫斯科钢铁合金学院）
在科学合作领域，共同作者的选择问题可能是一个令人生畏的问题。在本文中，我们提出了一个新的管道，有效地利用引文数据的链接预测任务的合著网络。特别是，我们探讨了基于不同图的数据聚合策略的推荐系统的功能。由于图神经网络证明了它们在与推荐系统相关的广泛任务上的效率，因此我们利用它们作为预测科学界潜在合作的相关方法。
2021-11-22 cs.DL 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
Isolating authorship from content with semantic embeddings and contrastive learning
Universidad Politécnica de Madrid（马德里理工大学）
针对作者身份识别中内容与风格纠缠导致内容泄露的问题，提出结合语义相似性模型生成难负样本的对比学习（InfoNCE）解耦技术，提升多产作者识别准确率并保留零样本能力。
2024-11-27 cs.CL cs.LG
Examining Different Research Communities: Authorship Network
University of North Carolina at Charlotte（北卡罗来纳州夏洛特大学）
本研究利用Google Scholar数据构建数据挖掘与软件工程领域的作者网络，分析其结构差异，识别有影响力作者及机构，发现各领域呈现独特的小社区特征。
2025-09-10 cs.DL cs.LG cs.SI
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
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
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
A Machine Learning Framework for Authorship Identification From Texts
Carnegie Mellon University（卡内基梅隆大学）
作者身份识别是对文本的作者进行身份识别的过程。大多数已知的文学文本可以很容易地归因于某个作者，因为它们是，例如，签名。然而，有时我们会发现未完成的作品或一大堆手稿，其中可能有各种各样的作者。为了评估这样的手稿的重要性，知道谁写的是至关重要的。在这项工作中，我们的目标是开发一个机器学习框架，以有效地确定作者。我们制定的任务作为一个单标签多类文本分类问题，并提出了一个监督机器学习框架，结合文体特征。这项任务是高度跨学科的，因为它利用了机器学习、信息检索和自然语言处理。我们提出了一种方法和一个模型，学习$50$不同作者之间的写作风格的差异，并能够预测一个新的文本的作者与高精度。在引入某些语言风格特征和文本特征后，准确性显着增加。
2019-12-21 cs.CL cs.IR cs.LG
Critical biblical studies via word frequency analysis: unveiling text authorship
Duke University（杜克大学）；Reichman University（赖赫曼大学）；Protestant Faculty of Theology of Paris（巴黎新教神学院）；Tel Aviv University（特拉维夫大学）；Collège de France（法兰西公学院）；University of Haifa（海法大学）
本文提出一种对少数词频偏差敏感的统计方法，在不预设作者身份的情况下分析《圣经》前九卷50个章节，以高准确率区分D、DtrH与P三个作者语料库。
2024-10-24 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
Authorship Attribution through Function Word Adjacency Networks
University of Pennsylvania（宾夕法尼亚大学）
提出了一种基于功能词邻接网络的作者归属方法。虚词是表达其他词之间的语法关系，但本身不携带词汇意义的词类。在本文的广域网中，节点是功能词，有向边代表在源词的有序邻域中找到汇词的可能性。WAN的不同作者可以被解释为转移概率的马尔可夫链，因此比较它们的相对熵。WAN参数的最佳选择进行了研究，并在不同的作者池和不同的文本长度的基准属性的准确性。这种分析表明，由于功能词是独立的内容，它们的使用往往是特定的作者和功能广域网捕获的关系数据是一个很好的总结风格指纹。归因的准确性，观察到超过一个单独依靠词频的方法实现。进一步结合广域网的方法，只依赖于词频，结果在更大的归因准确性，表明这两个信息源编码的作者风格的不同方面。
2014-06-17 cs.CL cs.LG stat.ML
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
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
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
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
Research Topic Flows in Co-Authorship Networks
University of Kassel（卡塞尔大学）
本文提出主题流网络（TFN）来量化合著网络中作者间的专业知识流动，利用多图和主题模型自动发现主题，并在宏观和微观尺度上分析主题间流动，实验验证了其有效性。
2022-06-16 cs.DL cs.IR cs.LG
Protecting Anonymous Speech: A Generative Adversarial Network Methodology for Removing Stylistic Indicators in Text
University of California, Berkeley（加州大学伯克利分校）
随着互联网用户不断地留下文本线索，无论是通过博客、电子邮件还是社交媒体帖子，匿名写作和抗议的能力正在受到侵蚀，因为人工智能在获得以前工作的样本时，可以从数百个可能的候选人中将文本与其作者进行匹配。现有的作者身份匿名化方法，也称为作者身份混淆，通常专注于保护二进制人口统计属性，而不是整体身份。即使是那些专注于混淆身份的人也需要手动反馈，失去了原始句子的连贯性，或者只在有限的作者子集中表现良好。在本文中，我们开发了一种新的方法，作者匿名化，通过构建一个生成对抗网络，保护身份和优化对应于匿名性，流畅性和内容保存三种不同的损失。我们的全自动方法在内容保存和流畅性方面达到了与其他方法相当的结果，但在匿名化方面大大优于基线。此外，我们的方法能够很好地推广到一个开放集的背景下，并匿名化的句子，它以前没有遇到过的作者。
2021-10-18 cs.CL cs.CR cs.LG
Generalised Differential Privacy for Text Document Processing
Macquarie University（麦考瑞大学）；INRIA（法国国家信息与自动化研究所）；École Polytechnique（巴黎综合理工学院）
我们解决的问题是如何“混淆”的文本删除文体线索，可以识别作者，同时保留（尽可能多地）的文本的内容。在本文中，我们结合了“广义差分隐私“和机器学习技术的文本处理的思想，为文本文档的隐私建模。我们定义了一个隐私机制，在文本文档的水平表示为“词袋”-这些表示是典型的机器学习，并包含足够的信息来执行多种分类任务，包括主题识别和作者归属（原始文档）。我们表明，我们的机制满足隐私方面的度量语义相似性，从而提供了一个平衡的效用，定义的文本的语义内容，与混淆的风格线索。我们展示了我们的实现在一个“同人小说”数据集，确认它确实是可以有效地伪装写作风格，同时保留足够的信息和变化，准确的内容分类任务。
2019-02-05 cs.CR cs.LG
A Multiplicative Model for Learning Distributed Text-Based Attribute Representations
University of Toronto（多伦多大学）；Canadian Institute for Advanced Research（加拿大高等研究院）
在本文中，我们提出了一个通用的框架，学习分布式表示的属性：文本的特点，其表示可以共同学习与词嵌入。属性可以对应于文档指示符（学习句子向量），语言指示符（学习分布式语言表示），元数据和辅助信息（如博客作者的年龄，性别和行业）或作者的表示。我们描述了一个三阶模型，其中单词上下文和属性向量成倍地相互作用，以预测序列中的下一个单词。这就引出了条件词相似性的概念：当条件词的属性不同时，词的含义是如何变化的。我们进行了几个实验任务，包括情感分类，跨语言文档分类，和博客作者归属。我们还定性评估条件词邻居和属性条件文本生成。
2014-06-10 cs.CL cs.LG
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
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
Looking for the Inner Music: Probing LLMs' Understanding of Literary Style
Cornell University（康奈尔大学）
本文通过复现作者识别并扩展至体裁分类，结合句法消融与模型内部探测，揭示大语言模型区分作者与体裁风格的不同机制及关键语言特征。
2025-02-05 cs.CL cs.LG
