論文の概要: Writing Style Similarity Reflects Academic Genealogy

• arxiv url: http://arxiv.org/abs/2608.14843v1
• Date: Fri, 14 Aug 2026 19:35:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.100805
• Title: Writing Style Similarity Reflects Academic Genealogy
• Title（参考訳）: 書体的類似性は学術系譜を反映する
• Abstract要約: 著者帰属システムは、幽霊書きやAIが生成した論文を検出するために、ますます多くデプロイされている。 我々は、arXivの著者のコーパスを、数学系図学プロジェクトグラフから$geq 2$のソロペーパーで構築する。 微調整されたモデルからの埋め込みを用いて、アドバイザーは、ランダムな同分野の著者よりも生徒とコサイン距離が39.9%近い。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As authorship attribution systems are increasingly deployed to detect ghostwritten and AI-generated papers, their errors can support accusations against legitimate authors. These systems assume each author's style is their own. Researchers, however, study under advisors, and inherit their stylistic quirks. We build a corpus of arXiv authors with $\geq 2$ solo papers from the Mathematics Genealogy Project graph, giving $5{,}803$ total authors and $2{,}501$ ground-truth advisor-student pairings. Using embeddings from a fine-tuned model, advisors sit $39.9\%$ closer in cosine distance to their students than a random same-field author does. Two open encoders reproduce the effect at $12.6\%$ and $14.5\%$. \emph{Academic siblings}, two students of one advisor who may never have met, sit $30.4\%$ closer across $8{,}360$ pairs, even when they studied at different institutions. Pairs who share only an institution and a field show negligible similarity. Given a closed-set attribution task over the same corpus, the system's errors occur on the true author's advisors and academic siblings $11$ times more often than chance.
• Abstract（参考訳）: 著者帰属システムは、幽霊書きやAIが生成した論文を検出するためにますます多くデプロイされているため、それらのエラーは正当な著者に対する告発を支持することができる。 これらのシステムは、それぞれの著者のスタイルが独自のものであると仮定する。 しかし、研究者は助言の下で研究し、その様式的な特徴を継承する。 我々は、arXivの著者のコーパスを作り、Mathematic Genealogy Project グラフから$\geq 2$のソロペーパーを作成し、合計で${,}803$の著者と$${,}501$のアドバイザーと学生のペアリングを提供する。 微調整されたモデルからの埋め込みを用いて、アドバイザーは、ランダムな同一分野の著者よりも、生徒と余分な距離で39.9 %$の価格で座る。 2つのオープンエンコーダは、その効果を12.6 %$と14.5 %$で再現する。 一度も会ったことのない2人のアドバイザーの学生である \emph{Academic blings} は、異なる機関で学んだときでさえ、$30.4\% のペアに30.4\% 近くに座っている。 施設とフィールドのみを共有するペアは、無視できない類似性を示している。 同じコーパス上でクローズドセットの帰属タスクが与えられた場合、システムのエラーは真の著者の助言者や学術的な兄弟に発生し、偶然よりも11ドル高い頻度で発生する。

関連論文リスト

• MUSES: A Benchmark for Prospective Intellectual-Roots Retrieval [6.572091819435388]
  textbfMUSESは、固定された2.33Mペーパーコーパス上での知的ルーツ検索のための100万インスタンスベンチマークである。 textbfCiteRootsは、局所的な引用テキスト上の修辞層と紙レベルの著者層とをペアリングする。 MUSESは、CiteNext、CiteNew、CiteNew-IsolatedにまたがるEmphfamiliarity軸と、広義の引用、修辞の根、著者が支持する根にまたがるEmphfunction軸の2つの軸に沿って困難を整理する。
  論文  参考訳（メタデータ） (2026-08-31T20:05:36Z)
• AI-Assisted Discovery of Convex Relaxations via Dual Agents [56.60366723277675]
  すべての許容関数に対して下界が成り立ち、より強い境界を与える凸緩和から従うことを示す。 理論は各エージェントを検証し、反例を検索し、報告されたすべての境界はインターバルにおける明示的な二重実現可能な点によって認証される。
  論文  参考訳（メタデータ） (2026-06-30T06:10:25Z)
• Beyond coauthorship: semantic structure and phantom collaborators in transportation research, 1967--2025 [0.9185901163605424]
  1967年から2025年の間に発行された34の査読論文からなる120,323の論文から構築された輸送研究の意味的構造的アトラスについて述べる。 OpenAlexとCrossrefをオープンなCC0ライセンスのデータソースとして使用し、OpenAlexの作者IDを通じて作者のアイデンティティを解決し、SPECTER2にすべての論文を埋め込む。
  論文  参考訳（メタデータ） (2026-04-26T13:26:42Z)
• UCB-type Algorithm for Budget-Constrained Expert Learning [71.67657715154034]
  algnameM-LCBはUCBスタイルのメタアルゴリズムであり、幻想的後悔の保証を提供する 我々は、AlgnameM-LCBが、限られたリソースの下で、ステートフルで自己学習の専門家をコーディネートする、より現実的なシナリオまで、古典的な帯域幅パラダイムをどのように拡張しているかを示す。
  論文  参考訳（メタデータ） (2025-10-26T12:36:17Z)
• All That Glitters is Not Novel: Plagiarism in AI Generated Research [15.246406031450775]
  このような研究資料のかなりの部分は、巧妙に盗用されている。 専門家らは、50ドルの評価された研究資料のうち24%を、言い換えられるか、あるいは既存の研究からかなり借用されていると特定している。 残りの76%のドキュメントは、既存の作品と異なるレベルの類似性を示しており、ごくわずかしか全く新しいものではない。
  論文  参考訳（メタデータ） (2025-02-23T08:00:33Z)
• Online Learning with Adversaries: A Differential-Inclusion Analysis [52.43460995467893]
  我々は,完全に非同期なオンラインフェデレート学習のための観察行列ベースのフレームワークを提案する。 我々の主な結果は、提案アルゴリズムがほぼ確実に所望の平均$mu.$に収束することである。 新たな差分包摂型2時間スケール解析を用いて,この収束を導出する。
  論文  参考訳（メタデータ） (2023-04-04T04:32:29Z)
• How do Authors' Perceptions of their Papers Compare with Co-authors' Perceptions and Peer-review Decisions? [87.00095008723181]
  著者は論文の受理確率をおよそ3倍過大評価している。 女性作家は、男性作家よりも極端に高い(統計的に重要な)誤校正を示す。 受理された論文と受理された論文の回答者の少なくとも30%は、レビュープロセス後に自身の論文に対する認識が改善したと述べている。
  論文  参考訳（メタデータ） (2022-11-22T15:59:30Z)
• Cracking Double-Blind Review: Authorship Attribution with Deep Learning [43.483063713471935]
  本稿では、匿名の原稿を著者に属性付けるトランスフォーマーベースのニューラルネットワークアーキテクチャを提案する。 我々は、arXivで公開されているすべての研究論文を200万冊以上の原稿に活用する。 本手法は, 論文の最大73%を正解する, 前代未聞の著者帰属精度を実現する。
  論文  参考訳（メタデータ） (2022-11-14T15:50:24Z)
• Bib2Auth: Deep Learning Approach for Author Disambiguation using Bibliographic Data [4.817368273632451]
  著者名と現実の実体をリンクする新しい手法を,共著者パターンと研究領域に頼って提案する。 教師付きディープラーニングモデルでは,著者と共著者との関係や研究領域を把握し,著者を識別する。 Bib2Authは比較的大きなデータセットで優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2021-07-09T12:25:11Z)
• Optimal Low-Degree Hardness of Maximum Independent Set [93.59919600451487]
  スパースな ErdHos-R'enyi ランダムグラフにおいて,大きな独立集合を求めるアルゴリズム的タスクについて検討する。 低次アルゴリズムのクラスは、半最適サイズの独立した集合を見つけることができるが、それ以上は見つからないことを示す。
  論文  参考訳（メタデータ） (2020-10-13T17:26:09Z)
• Near-Optimal Reinforcement Learning with Self-Play [50.29853537456737]
  我々は,直接の監督なしに自己対決で最適な政策を学習するセルフプレイアルゴリズムに焦点をあてる。 本稿では,サンプル複雑性を$tildemathcalO(SAB)$,サンプル複雑性を$tildemathcalO(S(A+B)$とする新しいemphNash Vラーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-22T05:00:13Z)

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。