論文の概要: Aggregation-Aware Synthetic Text Generation Against Authorship Re-Identification

• arxiv url: http://arxiv.org/abs/2608.22161v1
• Date: Sun, 23 Aug 2026 01:26:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.640517
• Title: Aggregation-Aware Synthetic Text Generation Against Authorship Re-Identification
• Title（参考訳）: オーサシップ再識別に対するアグリゲーション対応合成テキスト生成
• Abstract要約: AAST(Aggregation-Aware Synthetic Text Generation)は、各テキストを個別に最適化するのではなく、バンドルレベルで合成テキストを共同で選択するフレームワークである。 AASTは、生成や選択中に観察されていないジャンルから攻撃者を参照するクロスジェネリックな設定を含む、属性と検証攻撃をターゲットとしている。 バンドルサイズとしてのAASTアカウントレベルのリンカビリティは増加し、セマンティックな品質、言語的アクセシビリティ、感情アライメントが維持される。
• 参考スコア（独自算出の注目度）: 5.913289729330902
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online users often release multiple texts under the same identity, giving attackers an author profile that can reveal more than any single text. Existing authorship obfuscation methods optimize privacy independently for each document, leaving them blind to cross-document correlations that make aggregation dangerous. We propose Aggregation-Aware Synthetic Text Generation (AAST), a framework that addresses this gap by jointly selecting synthetic texts at the bundle level rather than optimizing each text in isolation. AAST targets attribution and verification attacks, including cross-genre settings where attacker references come from a genre not observed during generation or selection. Experiments across same-genre, cross-genre, neural, and independent non-neural stylometric attacks show that AAST lowers account-level linkability as bundle size grows, while preserving semantic quality, linguistic acceptability, and sentiment alignment.
• Abstract（参考訳）: オンラインユーザーは、しばしば同一のIDの下で複数のテキストをリリースし、攻撃者がどのテキストよりも多くを明らかにすることができる著者プロファイルを提供する。 既存の著者の難読化手法は、文書ごとに独立してプライバシーを最適化する。 本稿では,AAST(Aggregation-Aware Synthetic Text Generation)を提案する。AAST(Aggregation-Aware Synthetic Text Generation)は,各テキストを独立に最適化するのではなく,バンドルレベルで合成テキストを共同選択することで,このギャップに対処するフレームワークである。 AASTは、生成や選択中に観察されていないジャンルから攻撃者を参照するクロスジェネリックな設定を含む、属性と検証攻撃をターゲットとしている。 同種、交叉性、神経性、独立した非神経性スタイメオグラフィー攻撃による実験では、AASTは、意味的品質、言語的受容性、感情的アライメントを保ちながら、バンドルのサイズが大きくなるにつれて、アカウントレベルのリンカビリティを低下させる。

関連論文リスト

• I Am No One: Style-Aware Paraphrasing for Text Anonymization [0.5874782446136914]
  著者帰属モデルは、安定したスタイリスティックな指紋を利用して、一見匿名のテキストからユーザーを再識別することができる。 本稿では,事前学習された大言語モデルを用いて,コンパクトなスタイリスティックなプロファイルを構築するスタイルアウェア・プロンプト駆動型匿名化手法を提案する。 本手法は,コンテンツ品質と可読性を維持しつつ,著者属性F1を60～70%削減する。
  論文  参考訳（メタデータ） (2026-09-11T02:07:26Z)
• Beyond Similarity: Grounded Agentic Extraction and Expert-Adjudicated Evaluation of Intertextuality in Classical Chinese Histories [3.694051864521789]
  我々は、大言語モデルが2つのテキスト単位をフルに読み込むエージェントタスクとして、きめ細かいテクスチャ間抽出をリキャストする。 3つのドメインの専門家がプールされたマルチモデル候補を2,533対のテキスト間ペアのベンチマークに設定し、Analects と Book of Han を徹底的に比較する手法を検証する。
  論文  参考訳（メタデータ） (2026-07-30T02:34:23Z)
• Explainable Disentangled Representation Learning for Generalizable Authorship Attribution in the Era of Generative AI [70.05655131235999]
  EAVAE(Explainable Authorship Variational Autoencoder)は、コンテンツからスタイルを明示的に切り離す新しいフレームワークである。 ディスタングルメントは、新規な差別者を通じて実施される。 EAVAEは、AI生成テキスト検出のためのM4データセットよりも、数ショットの学習に優れています。
  論文  参考訳（メタデータ） (2026-04-23T05:34:20Z)
• De-Anonymization at Scale via Tournament-Style Attribution [15.47801233755864]
  De-Anonymization at Scale (DAS) は、数万の候補テキストに著者を帰属させる大規模な言語モデルに基づく手法である。 DASは、匿名プラットフォームに対して現実的なプライバシーリスクを示すために、数万のプールから、偶然よりもはるかに高い精度で、同じ著者のテキストを復元することができる。
  論文  参考訳（メタデータ） (2026-01-18T13:49:43Z)
• ASemConsist: Adaptive Semantic Feature Control for Training-Free Identity-Consistent Generation [14.341691123354195]
  ASemconsistは、プロンプトアライメントを犠牲にすることなく、文字アイデンティティの明示的な意味制御を可能にする。 我々のフレームワークは最先端のパフォーマンスを実現し、実質的に以前のトレードオフを克服します。
  論文  参考訳（メタデータ） (2025-12-29T07:06:57Z)
• StyleDecipher: Robust and Explainable Detection of LLM-Generated Texts with Stylistic Analysis [18.44456241158174]
  StyleDecipherは堅牢で説明可能な検出フレームワークである。 組み合わせた特徴抽出器を用いてテキスト検出を再検討し、構造的差異を定量化する。 常に最先端のドメイン内精度を達成する。
  論文  参考訳（メタデータ） (2025-10-14T15:07:27Z)
• A Survey on Parallel Text Generation: From Parallel Decoding to Diffusion Language Models [71.66119575697458]
  トークン・バイ・トークン生成のボトルネックを破り、推論効率を向上させることを目的とした並列テキスト生成技術。 既存のアプローチをARベースのパラダイムと非ARベースのパラダイムに分類し、各カテゴリの中核技術について詳細に検討する。 我々は、最近の進歩を強調し、オープンな課題を特定し、並列テキスト生成における将来的な研究の方向性を概説する。
  論文  参考訳（メタデータ） (2025-08-12T07:56:04Z)
• Localizing Factual Inconsistencies in Attributable Text Generation [74.11403803488643]
  本稿では,帰属可能なテキスト生成における事実の不整合をローカライズするための新しい形式であるQASemConsistencyを紹介する。 QASemConsistencyは、人間の判断とよく相関する事実整合性スコアを得られることを示す。
  論文  参考訳（メタデータ） (2024-10-09T22:53:48Z)
• Copy Is All You Need [66.00852205068327]
  既存のテキストコレクションからテキストセグメントを段階的にコピーするテキスト生成を定式化する。 提案手法は, 自動評価と人的評価の両方により, より優れた生成品質を実現する。 当社のアプローチでは,より大規模なテキストコレクションにスケールアップすることで,さらなるパフォーマンス向上を実現しています。
  論文  参考訳（メタデータ） (2023-07-13T05:03:26Z)
• NewsCLIPpings: Automatic Generation of Out-of-Context Multimodal Media [93.51739200834837]
  画像とテキストの両方を操作できないが一致しないデータセットを提案する。 本稿では,字幕に適した画像の自動検索手法をいくつか紹介する。 当社の大規模自動生成NewsCLIPpingsデータセットは、両方のモダリティを共同分析するモデルを必要とします。
  論文  参考訳（メタデータ） (2021-04-13T01:53:26Z)
• Learning to Select Bi-Aspect Information for Document-Scale Text Content Manipulation [50.01708049531156]
  我々は、テキストスタイルの転送とは逆の文書スケールのテキストコンテンツ操作という、新しい実践的なタスクに焦点を当てる。 詳細は、入力は構造化されたレコードと、別のレコードセットを記述するための参照テキストのセットである。 出力は、ソースレコードセットの部分的内容と参照の書き込みスタイルを正確に記述した要約である。
  論文  参考訳（メタデータ） (2020-02-24T12:52:10Z)

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。