論文の概要: Author Representation Strategies for Zero-Shot Authorship Attribution: A Comparative Study of LLM-Based and Embedding-Based Approaches
- arxiv url: http://arxiv.org/abs/2610.03531v1
- Date: Fri, 02 Oct 2026 16:16:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.475894
- Title: Author Representation Strategies for Zero-Shot Authorship Attribution: A Comparative Study of LLM-Based and Embedding-Based Approaches
- Title（参考訳）: ゼロショットオーサシップ属性の著者表現方略:LCMと埋め込みに基づくアプローチの比較研究
- Abstract要約: オーサリング属性(AA)は、きめ細かいスタイリスティックな特徴を捉える必要がある。
著者表現がZS AAに与える影響をラベルのみのプロンプトベースラインの評価により検討する。
本稿では,2段階の埋め込み型属性フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 4.721738120771493
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Authorship Attribution (AA) requires capturing fine-grained stylistic characteristics, making it particularly challenging in zero-shot (ZS) settings where no task-specific supervision is available. In this work, we investigate the effect of author representations on ZS AA by evaluating a label-only prompting baseline together with three author representation strategies: representative writing samples, LLM-generated descriptions, and style embeddings (LISA). The first three approaches perform attribution using LLM prompting, while the embedding-based approach uses style embeddings with cosine similarity. We investigate the influence of prompt design and propose a two-stage embedding-based attribution framework that combines candidate space reduction with embedding-dimension selection. The results show that label-only ZS AA is ineffective, while incorporating author-specific representations consistently improves attribution performance. Among the evaluated approaches, the proposed two-stage LISA framework achieves the strongest overall performance, whereas LLM-generated style descriptions provide a substantially more compact representation of author style at the cost of some attribution performance. These findings demonstrate the importance of author representation in ZS AA, while indicating that current open-source LLMs remain insufficient for robust attribution without more effective representation learning.
- Abstract（参考訳）: オーサリング属性(AA)はきめ細かなスタイリスティックな特徴を捉える必要があり、タスク固有の監視ができないゼロショット(ZS)設定では特に困難である。
本研究では,ZS AAにおける著者表現の効果について,ラベルのみのプロンプトベースラインと,代表文サンプル,LLM生成記述,スタイル埋め込み(LISA)の3つの著者表現戦略を併用して検討する。
最初の3つのアプローチはLSMプロンプトを使って帰属し、埋め込みベースのアプローチはコサイン類似のスタイル埋め込みを使用する。
本稿では,プロンプト設計の影響について検討し,候補空間削減と組込み次元選択を組み合わせた2段階の組込み型属性フレームワークを提案する。
その結果、ラベルのみのZS AAは非効率であり、著者固有の表現を組み込むことで、属性性能が一貫して向上することがわかった。
評価手法のうち,提案した2段階のLISAフレームワークは最も高い全体的な性能を達成する一方,LLM生成したスタイル記述は,一部の属性性能を犠牲にして,よりコンパクトな作者スタイルの表現を提供する。
これらの結果から,ZS AAにおける著者表現の重要性が示唆される一方で,現在のオープンソースLLMは,より効果的な表現学習を行なわずに,ロバストな帰属には不十分であることが示唆された。
関連論文リスト
- Beyond Holistic Scores: Automatic Trait-Based Quality Scoring of Argumentative Essays [15.895792302323883]
教育の文脈では、教師と学習者は解釈可能な特性レベルのフィードバックを必要とする。
本稿では,2つの相補的モデリングパラダイムを用いた特徴量に基づく自動弁別評価手法について検討する。
スコア・オーディナリティを明示的にモデル化することは、人間のレーダとの合意を著しく改善することを示します。
論文 参考訳（メタデータ） (2026-02-04T14:30:52Z) - Generative Reasoning Recommendation via LLMs [48.45009951684554]
大規模言語モデル(LLM)は、生成的推論レコメンデーションモデル(GRRM)として機能する上で、根本的な課題に直面している。
本研究は,レコメンデーションタスクに対する統一的な理解・推論・予測方法を実現する,事前学習されたLLMを適用してGRRMを構築する方法について検討する。
本稿では,協調的セマンティックアライメント(Collaborative-Semantic Alignment),Reasoning Curriculum Activation(Reasoning Curriculum Activation),Sparse-Regularized Group Policy Optimization(Sparse-Regularized Group Policy Optimization)の3つのコンポーネントを統合するエンドツーエンドフレームワークであるGREAMを提案する。
論文 参考訳（メタデータ） (2025-10-23T17:59:31Z) - Cross-Genre Authorship Attribution via LLM-Based Retrieve-and-Rerank [4.263730995186838]
クロスジェネレーションAAのためのLLMを微調整する2段階のレトリプ・アンド・リロードフレームワークを提案する。
HIATUS の挑戦的 HRS1 と HRS2 のクロスジェネレーション AA ベンチマークでは,これまでの最先端よりも 22.3 と 34.4 の絶対成功率をかなり上回っている。
論文 参考訳（メタデータ） (2025-10-19T13:10:49Z) - A Cooperative Multi-Agent Framework for Zero-Shot Named Entity Recognition [71.61103962200666]
ゼロショット名付きエンティティ認識(NER)は、注釈のないテキストコーパスからエンティティ認識システムを開発することを目的としている。
最近の研究は、特別なプロンプトテンプレートを作成することで、ゼロショットNERに大規模な言語モデル(LLM)を適用している。
ゼロショットNERのための新しいフレームワークである協調型マルチエージェントシステム(CMAS)を紹介する。
論文 参考訳（メタデータ） (2025-02-25T23:30:43Z) - Improve LLM-based Automatic Essay Scoring with Linguistic Features [46.41475844992872]
本稿では,多様なプロンプトにまたがってエッセイを処理できるスコアリングシステムを開発した。
既存のメソッドは通常、2つのカテゴリに分類される: 教師付き特徴ベースのアプローチと、大きな言語モデル(LLM)ベースの方法。
論文 参考訳（メタデータ） (2025-02-13T17:09:52Z) - What Makes In-context Learning Effective for Mathematical Reasoning: A Theoretical Analysis [81.15503859645149]
本稿では,大規模言語モデルの推論性能に及ぼす文脈内実演の影響を理論的に解析することを目的とする。
本稿では, LMS3 という, 単純で一般化可能な, 低複雑さな実演選択法を提案する。
論文 参考訳（メタデータ） (2024-12-11T11:38:11Z) - Evaluating Human Alignment and Model Faithfulness of LLM Rationale [66.75309523854476]
大規模言語モデル(LLM)が,その世代を理論的にどのように説明するかを考察する。
提案手法は帰属に基づく説明よりも「偽り」が少ないことを示す。
論文 参考訳（メタデータ） (2024-06-28T20:06:30Z) - A Thorough Performance Benchmarking on Lightweight Embedding-based Recommender Systems [67.52782366565658]
State-of-the-art recommender system (RS) は、埋め込みベクトルによって符号化される分類的特徴に依存し、結果として非常に大きな埋め込みテーブルとなる。
軽量埋め込み型RSの繁栄にもかかわらず、評価プロトコルには幅広い多様性が見られる。
本研究では, LERSの性能, 効率, クロスタスク転送性について, 徹底的なベンチマークによる検討を行った。
論文 参考訳（メタデータ） (2024-06-25T07:45:00Z) - Empirical Study of Zero-Shot NER with ChatGPT [19.534329209433626]
大規模言語モデル(LLM)は、様々な自然言語処理タスクにおいて強力な能力を示した。
本研究はゼロショット情報抽出におけるLLM性能の探索に焦点をあてる。
記号的推論と算術的推論におけるLLMの顕著な推論能力に着想を得て, 代表的な推論手法をNERに適用する。
論文 参考訳（メタデータ） (2023-10-16T03:40:03Z) - Active Learning for Abstractive Text Summarization [50.79416783266641]
本稿では,抽象テキスト要約におけるアクティブラーニングのための最初の効果的なクエリ戦略を提案する。
ALアノテーションにおける私たちの戦略は、ROUGEと一貫性スコアの点からモデル性能を向上させるのに役立ちます。
論文 参考訳（メタデータ） (2023-01-09T10:33:14Z)
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。