論文の概要: When Writing Style Drifts: Benchmarking Authorship Verification under Distribution Shifts in Genre, Time and the AI-Era
- arxiv url: http://arxiv.org/abs/2608.17979v1
- Date: Tue, 18 Aug 2026 16:29:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.403777
- Title: When Writing Style Drifts: Benchmarking Authorship Verification under Distribution Shifts in Genre, Time and the AI-Era
- Title（参考訳）: スタイルドリフトを書くとき: ジャンル、時間、AI-Eraにおける分布シフトの下でのオーサシップ検証のベンチマーク
- Abstract要約: 著者の検証は、著者の執筆スタイルが他の作家と区別するのに十分な安定性を保っていると仮定する。
実際には、この仮定はジャンル、時間、AI支援書き込みの変化によって引き起こされる分布シフトによって挑戦される。
AVShiftは、複数の分散シフトの下でAVを体系的に評価する最初のドイツのベンチマークである。
- 参考スコア（独自算出の注目度）: 19.38455709612182
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Authorship verification (AV) assumes that an author's writing style remains sufficiently stable to distinguish it from that of other writers. In practice, however, this assumption is challenged by distribution shifts caused by changes in genre, time, and AI-assisted writing. Existing AV benchmarks typically study these factors in isolation and focus predominantly on English, limiting our understanding of model robustness under realistic conditions. We introduce AVShift, the first German benchmark for systematically evaluating AV under multiple distribution shifts. AVShift comprises over 150,000 text pairs spanning three genres and 21 years, enabling controlled evaluation of cross-genre, temporal, and AI-era shifts within a unified framework. We benchmark representative feature-based, embedding-based, and LLM-based approaches. Our experiments show that fine-tuned LLMs generalize best across genres and benefit substantially from stylistically diverse training data. We further demonstrate that temporal drift is one of the strongest factors affecting AV, with performance degrading significantly as the time gap between documents increases. In contrast, we find no evidence of a measurable AI-era distribution shift within AVShift. Finally, our feature analysis reveals stylistic features that remain stable across genres, while their relative importance varies depending on the specific genre transition. We release AVShift and our code for future research.
- Abstract（参考訳）: 著者検証(AV)は、著者の執筆スタイルが他の作家と区別できるほど安定していると仮定する。
しかし実際には、この仮定はジャンル、時間、AI支援書き込みの変化によって引き起こされる分布シフトによって挑戦される。
既存のAVベンチマークは通常、これらの要因を独立して研究し、主に英語に焦点を当て、現実的な条件下でのモデルロバストネスの理解を制限する。
AVShiftは、複数の分散シフトの下でAVを体系的に評価する最初のドイツのベンチマークである。
AVShiftは3つのジャンルにまたがる15万以上のテキストペアと21年からなる。
代表的特徴ベース、埋め込みベース、LLMベースのアプローチをベンチマークする。
実験の結果,微調整LDMはジャンルにまたがって最適化され,スタイリスティックな多様なトレーニングデータからかなり恩恵を受けることがわかった。
さらに、文書間の時間差が増大するにつれて、時間的ドリフトがAVに影響を与える最も強い要因の1つとなり、性能が著しく低下することを示した。
対照的に、AVShift内で測定可能なAI時代の分布シフトの証拠は見つからない。
最後に,特徴分析により,ジャンルごとに安定なスタイル的特徴が示され,その相対的重要性はジャンルの変遷によって異なる。
AVShiftと今後の研究のためのコードをリリースする。
関連論文リスト
- Hitting a Moving Target: Test-Time Adaptation for AI Text Detection under Continual Distribution Shift [7.332470421231734]
AIテキスト検出のためのデプロイされたアプローチは、人書きテキストとAI生成テキストの両方のラベル付きデータセットへのトレーニング時間アクセスに依存することが多い。
本研究では,半教師付き学習を用いたテスト時間適応手法を提案する。
テストタイムの適応は、AIテキスト検出のための将来性のあるフレームワークである、と私たちは確信しています。
論文 参考訳（メタデータ） (2026-06-23T20:37:18Z) - Learning by Shifting: Temporal View Construction for Time Series Contrastive Learning [4.7318594191739765]
監視された学習は大量のラベル付きデータを必要とします。
自己教師付き学習、特に対照的な学習は、ラベルのないデータから直接リッチな表現学習を可能にする、魅力的な代替手段として現れてきた。
時系列の既存のアプローチは、強いドメイン仮定を埋め込んだ手作りの拡張とマスキングに依存している。
本稿では,時系列設定における比較学習力学の系統的解析を行い,バッチサイズと負数の影響について検討する。
論文 参考訳（メタデータ） (2026-06-20T09:07:30Z) - Why AI-Generated Text Detection Fails: Evidence from Explainable AI Beyond Benchmark Accuracy [0.9169660430821364]
本稿では,言語機能工学,機械学習,説明可能なAI技術を統合するフレームワークを提案する。
SHAPに基づく説明を用いて、最も影響力のある特徴がデータセットによって著しく異なることを示す。
この知識は、さまざまな設定で堅牢なAI検出器を構築するのに役立ちます。
論文 参考訳（メタデータ） (2026-03-24T12:46:15Z) - Forging the Forger: An Attempt to Improve Authorship Verification via Data Augmentation [52.72682366640554]
著者検証(英語: Authorship Verification, AV)とは、ある特定の著者によって書かれたか、別の人物によって書かれたのかを推測するテキスト分類タスクである。
多くのAVシステムは敵の攻撃に弱いことが示されており、悪意のある著者は、その書体スタイルを隠蔽するか、あるいは他の著者の書体を模倣することによって、積極的に分類者を騙そうとしている。
論文 参考訳（メタデータ） (2024-03-17T16:36:26Z) - Robustness May be More Brittle than We Think under Different Degrees of
Distribution Shifts [72.90906474654594]
分散シフトの度合いが異なる場合、モデルの堅牢性はかなり不安定で不整合であることを示す。
我々は,CLIPのような大規模事前学習モデルが,新しい下流タスクの分分分布シフトに敏感であることが観察された。
論文 参考訳（メタデータ） (2023-10-10T13:39:18Z) - How to Handle Different Types of Out-of-Distribution Scenarios in Computational Argumentation? A Comprehensive and Fine-Grained Field Study [59.13867562744973]
この研究は、オフ・オブ・ディストリビューション(OOD)シナリオにおけるLMの能力を体系的に評価する。
このような学習パラダイムの有効性は,OODの種類によって異なることがわかった。
具体的には、ICLはドメインシフトに優れているが、プロンプトベースの微調整はトピックシフトに勝っている。
論文 参考訳（メタデータ） (2023-09-15T11:15:47Z) - Uncovering the Hidden Dynamics of Video Self-supervised Learning under
Distribution Shifts [39.080610060557476]
本研究では, 自然分布変化に対応した6種類の自己監督手法(v-SimCLR, v-MoCo, v-BYOL, v-SimSiam, v-DINO, v-MAE)の挙動について検討した。
本研究は,VSSL手法の興味深い発見と興味深い挙動を明らかにするものである。
論文 参考訳（メタデータ） (2023-06-03T06:10:20Z) - Wild-Time: A Benchmark of in-the-Wild Distribution Shift over Time [69.77704012415845]
時間的シフトは、現実世界にデプロイされた機械学習モデルのパフォーマンスを著しく低下させる可能性がある。
ドメイン一般化、連続学習、自己教師付き学習、アンサンブル学習の手法を含む13の先行手法をベンチマークする。
いずれの評価方略も,分布外データから分布外データへの平均的な性能低下を観察する。
論文 参考訳（メタデータ） (2022-11-25T17:07:53Z) - A Closer Look at Debiased Temporal Sentence Grounding in Videos:
Dataset, Metric, and Approach [53.727460222955266]
テンポラル・センテンス・グラウンディング・イン・ビデオ(TSGV)は、未編集のビデオに自然言語文を埋め込むことを目的としている。
最近の研究では、現在のベンチマークデータセットには明らかなモーメントアノテーションバイアスがあることが判明している。
偏りのあるデータセットによる膨らませ評価を緩和するため、基礎的リコールスコアを割引する新しい評価基準「dR@n,IoU@m」を導入する。
論文 参考訳（メタデータ） (2022-03-10T08:58:18Z) - Revisiting Self-Training for Few-Shot Learning of Language Model [61.173976954360334]
ラベル付きデータにはタスク関連情報が豊富に含まれており、言語モデルの素早い学習に有用であることが証明されている。
本研究では,言語モデルファインチューニングのための自己学習手法を再検討し,最先端のプロンプトベースの少ショット学習者,SFLMを提案する。
論文 参考訳（メタデータ） (2021-10-04T08:51:36Z) - AES Systems Are Both Overstable And Oversensitive: Explaining Why And
Proposing Defenses [66.49753193098356]
スコアリングモデルの驚くべき逆方向の脆さの原因について検討する。
のモデルとして訓練されているにもかかわらず、単語の袋のように振る舞うことを示唆している。
高い精度で試料を発生させる過敏性と過敏性を検出できる検出ベース保護モデルを提案する。
論文 参考訳（メタデータ） (2021-09-24T03:49:38Z)
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。