論文の概要: AuthorMix: Modular Authorship Style Transfer via Layer-wise Adapter Mixing

• arxiv url: http://arxiv.org/abs/2603.23069v1
• Date: Tue, 24 Mar 2026 11:07:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.446314
• Title: AuthorMix: Modular Authorship Style Transfer via Layer-wise Adapter Mixing
• Title（参考訳）: AuthorMix: レイヤワイドアダプタミキシングによるモジュールオーサシップスタイルの転送
• Abstract要約: AuthorMixは軽量でモジュール化され、解釈可能なスタイル転送フレームワークである。 我々は、個々のスタイル固有のLoRAアダプタを、オープンソース作者の小さなセットで訓練する。
• 参考スコア（独自算出の注目度）: 50.94046654012963
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The task of authorship style transfer involves rewriting text in the style of a target author while preserving the meaning of the original text. Existing style transfer methods train a single model on large corpora to model all target styles at once: this high-cost approach offers limited flexibility for target-specific adaptation, and often sacrifices meaning preservation for style transfer. In this paper, we propose AuthorMix: a lightweight, modular, and interpretable style transfer framework. We train individual, style-specific LoRA adapters on a small set of high-resource authors, allowing the rapid training of specialized adaptation models for each new target via learned, layer-wise adapter mixing, using only a handful of target style training examples. AuthorMix outperforms existing, SoTA style-transfer baselines -- as well as GPT-5.1 -- for low-resource targets, achieving the highest overall score and substantially improving meaning preservation.
• Abstract（参考訳）: 著者のスタイル転送のタスクは、原文の意味を保ちながら、対象の著者のスタイルでテキストを書き換えることである。 既存のスタイル転送手法は、大きなコーパス上の単一のモデルをトレーニングして、すべてのターゲットスタイルを一度にモデル化する。 本稿では,軽量でモジュール化された,解釈可能なスタイル転送フレームワークである AuthorMix を提案する。 個別のスタイル固有のLoRAアダプタを、少数の高ソース作者に対してトレーニングし、学習された層ワイドなアダプタミキシングを通じて、新しいターゲット毎の特殊適応モデルの迅速なトレーニングを可能にする。 AuthorMixは既存の SoTA スタイルのトランスファーベースラインと GPT-5.1 の低リソースターゲットを上回り、最高スコアを獲得し、意味の保存を大幅に改善している。

関連論文リスト

• StyleAdaptedLM: Enhancing Instruction Following Models with Efficient Stylistic Transfer [4.077787659104315]
  StyleAdaptedLMは、スタイリスティックな特徴を命令追従モデルに効率的に転送するフレームワークである。 LoRAアダプタは、まず様々な非構造化スタイリスティックコーパスを持つベースモデルで訓練され、その後、個別の命令追従モデルとマージされる。
  論文  参考訳（メタデータ） (2025-07-24T10:57:32Z)
• Authorship Style Transfer with Policy Optimization [26.34892894935038]
  オーサシップスタイルの転送は、ソースの本来の意味を保ちながら、指定されたテキストを指定されたターゲットに書き換えることを目的としている。 既存のアプローチでは、モデルトレーニングのための多くのターゲットスタイルの例が利用可能になっている。
  論文  参考訳（メタデータ） (2024-03-12T19:34:54Z)
• HiCAST: Highly Customized Arbitrary Style Transfer with Adapter Enhanced Diffusion Models [84.12784265734238]
  Arbitrary Style Transfer (AST)の目標は、あるスタイル参照の芸術的特徴を所定の画像/ビデオに注入することである。 各種のセマンティックな手がかりに基づいてスタイリング結果を明示的にカスタマイズできるHiCASTを提案する。 新たな学習目標をビデオ拡散モデルトレーニングに活用し,フレーム間の時間的一貫性を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-01-11T12:26:23Z)
• STEER: Unified Style Transfer with Expert Reinforcement [71.3995732115262]
  STEER: Unified Style Transfer with Expert Reinforcementは、スタイル転送のための限られた並列データという課題を克服するために開発された、統一されたフレームワークである。 STEERは堅牢で、ドメイン外のデータでスタイル転送機能を維持し、様々なスタイルでほぼすべてのベースラインを超越している。
  論文  参考訳（メタデータ） (2023-11-13T09:02:30Z)
• ParaGuide: Guided Diffusion Paraphrasers for Plug-and-Play Textual Style Transfer [57.6482608202409]
  テキストスタイル転送は、意味を保ちながらテキストのスタイル特性を変換するタスクである。 任意のスタイルに柔軟に適応できる汎用型転送のための新しい拡散型フレームワークを提案する。 本研究では,人的評価と自動評価の両面から,Enron Email Corpusの手法を検証するとともに,形式性,感情,さらにはオーサシップスタイルの伝達にも優れることを示す。
  論文  参考訳（メタデータ） (2023-08-29T17:36:02Z)
• Master: Meta Style Transformer for Controllable Zero-Shot and Few-Shot Artistic Style Transfer [83.1333306079676]
  本稿では,スタイル転送に特化した新しいトランスフォーマーモデルであるemphMasterを考案する。 提案モデルでは, 異なるトランスフォーマー層が共通のパラメータ群を共有し, 1) パラメータの総数を減らし, (2) より堅牢なトレーニング収束をもたらし, (3) は容易にスタイリングの程度を制御できる。 実験では、ゼロショットと少数ショットスタイルの転送設定の両方でMasterの優位性を示す。
  論文  参考訳（メタデータ） (2023-04-24T04:46:39Z)
• Low-Resource Authorship Style Transfer: Can Non-Famous Authors Be Imitated? [41.365967145680116]
  オーサリングスタイルの転送は、本来の意味を保ちながら、ターゲットの作者のスタイルに合わせてテキストを変更することを含む。 低リソースなオーサリングスタイルの転送タスクを導入し、ターゲットのオーサリングスタイルに限られたテキストしか存在しないようにする。 実験では、Redditのソースとターゲットの作者を選択し、Redditの投稿を転送し、ターゲットの著者のスタイルのたった16の投稿(平均500ワード)に制限します。
  論文  参考訳（メタデータ） (2022-12-18T01:57:30Z)
• Motion Style Transfer: Modular Low-Rank Adaptation for Deep Motion Forecasting [79.56014465244644]
  本稿では,新しい領域への深部動き予測モデルを効率的に適用するための伝達学習手法を提案する。 エンコーダ全体を更新する従来の微調整アプローチとは異なり、主な考え方は調整可能なパラメータの量を減らすことである。 提案するアダプタ設計であるMoSAは,いくつかの予測ベンチマークにおいて,先行手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-11-06T16:14:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。