論文の概要: Authorship Impersonation via LLM Prompting does not Evade Authorship Verification Methods

• arxiv url: http://arxiv.org/abs/2603.29454v1
• Date: Tue, 31 Mar 2026 08:59:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.375404
• Title: Authorship Impersonation via LLM Prompting does not Evade Authorship Verification Methods
• Title（参考訳）: LLM Promptingによるオーサリングの偽装は,オーサリングの検証方法に悪影響を及ぼさない
• Authors: Baoyi Zeng, Andrea Nini,
• Abstract要約: 著者の検証は法言語学の重要な部分である。 大規模言語モデル(LLM)の最近の進歩は、新しい課題を提起している。 本研究は, LLMが説得力のある権威的偽造を生成できるかどうかを考察する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Authorship verification (AV), the task of determining whether a questioned text was written by a specific individual, is a critical part of forensic linguistics. While manual authorial impersonation by perpetrators has long been a recognized threat in historical forensic cases, recent advances in large language models (LLMs) raise new challenges, as adversaries may exploit these tools to impersonate another's writing. This study investigates whether prompted LLMs can generate convincing authorial impersonations and whether such outputs can evade existing forensic AV systems. Using GPT-4o as the adversary model, we generated impersonation texts under four prompting conditions across three genres: emails, text messages, and social media posts. We then evaluated these outputs against both non-neural AV methods (n-gram tracing, Ranking-Based Impostors Method, LambdaG) and neural approaches (AdHominem, LUAR, STAR) within a likelihood-ratio framework. Results show that LLM-generated texts failed to sufficiently replicate authorial individuality to bypass established AV systems. We also observed that some methods achieved even higher accuracy when rejecting impersonation texts compared to genuine negative samples. Overall, these findings indicate that, despite the accessibility of LLMs, current AV systems remain robust against entry-level impersonation attempts across multiple genres. Furthermore, we demonstrate that this counter-intuitive resilience stems, at least in part, from the higher lexical diversity and entropy inherent in LLM-generated texts.
• Abstract（参考訳）: 著者検証(AV)とは、特定の個人によって書かれたテキストかどうかを判断するタスクであり、法医学的言語学の重要な部分である。 加害者による手動の権威的偽装は、長い間、歴史的法医学的事件では認識されている脅威であったが、近年の大規模言語モデル(LLM)の進歩は、敵がこれらのツールを利用して他人の著作を偽装する可能性があるため、新たな課題を提起している。 本研究では, LLMが説得力のある権威的偽造を生成できるか, 既存の法医学的AVシステムを回避することができるかを検討する。 GPT-4oを相手モデルとして,メール,テキストメッセージ,ソーシャルメディア投稿という3つのジャンルにまたがる4つの条件下で,偽造テキストを生成した。 次に, ニューラルAV法 (n-gram Trace, Ranking-Based Impostors Method, LambdaG) とニューラルアプローチ (AdHominem, LUAR, STAR) の両手法を, 確率比で評価した。 その結果、LLM生成したテキストは、確立されたAVシステムを回避するために、権威的個人性を十分に再現できなかった。 また,偽造テキストを否定する手法が,真正の陰性サンプルよりも高い精度で達成されていることも見いだした。 これらの結果は,LSMのアクセシビリティにもかかわらず,現在のAVシステムは,複数のジャンルにわたるエントリーレベルの偽造の試みに対して頑健であることを示している。 さらに、この反直感的レジリエンスは、少なくとも部分的には、LLM生成テキストに固有の高い語彙的多様性とエントロピーから生じることを実証する。

関連論文リスト

• Your Language Model Can Secretly Write Like Humans: Contrastive Paraphrase Attacks on LLM-Generated Text Detectors [77.82885394684202]
  テキスト検出を効果的に欺く訓練不要な方法である textbfContrastive textbfParaphrase textbfAttack (CoPA) を提案する。 CoPAは、大規模言語モデルによって生成される人間のような分布とは対照的に、補助的な機械的な単語分布を構築している。 我々の理論的分析は、提案された攻撃の優越性を示唆している。
  論文  参考訳（メタデータ） (2025-05-21T10:08:39Z)
• SeqXGPT: Sentence-Level AI-Generated Text Detection [62.3792779440284]
  大規模言語モデル(LLM)を用いた文書の合成による文レベル検出の課題について紹介する。 次に,文レベルのAIGT検出機能として,ホワイトボックスLEMのログ確率リストを利用した textbfSequence textbfX (Check) textbfGPT を提案する。
  論文  参考訳（メタデータ） (2023-10-13T07:18:53Z)
• OUTFOX: LLM-Generated Essay Detection Through In-Context Learning with Adversarially Generated Examples [44.118047780553006]
  OUTFOXは、LLM生成テキスト検出器の堅牢性を改善するフレームワークであり、検出器と攻撃者の両方が互いの出力を考慮できるようにする。 実験の結果,提案した検出器は攻撃者が生成したテキストの検出性能を最大41.3点F1スコアまで向上させることがわかった。 この検出器は最先端の検知性能を示し、96.9ポイントのF1スコアまで到達し、既存の検出器を非攻撃テキストで打ち負かした。
  論文  参考訳（メタデータ） (2023-07-21T17:40:47Z)
• MAGE: Machine-generated Text Detection in the Wild [82.70561073277801]
  大規模言語モデル(LLM)は人間レベルのテキスト生成を実現し、効果的なAI生成テキスト検出の必要性を強調している。 我々は、異なるLLMによって生成される多様な人文やテキストからテキストを収集することで、包括的なテストベッドを構築する。 問題にもかかわらず、トップパフォーマンス検出器は、新しいLCMによって生成された86.54%のドメイン外のテキストを識別することができ、アプリケーションシナリオの実現可能性を示している。
  論文  参考訳（メタデータ） (2023-05-22T17:13:29Z)

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。