Fugu-MT 論文翻訳(概要): Multi-author style detection with stylistic embeddings

論文の概要: Multi-author style detection with stylistic embeddings

arxiv url: http://arxiv.org/abs/2610.24184v1
Date: Fri, 16 Oct 2026 20:01:01 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-26 10:22:14.542857
Title: Multi-author style detection with stylistic embeddings
Title（参考訳）: スタイリスティックな埋め込みによる複数著者スタイル検出
Abstract要約: 複数著者のスタイル変更検出におけるLarge Language Models (LLM) の利用について検討する。我々はMistral-7B埋め込みモデルを微調整し、PAN-25の最先端(SOTA)システムで使われているDeBERTaと比較する。
参考スコア（独自算出の注目度）: 0.6415719250324122
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We investigate the use of Large Language Models (LLMs) in multi-author style change detection. Using off-the-shelf LLMs or supervised fine-tuning solely within the target domain fails to yield effective features; for this reason, we propose cross-domain transfer learning with LLM-based embeddings fine-tuned for authorship verification. We fine-tune Mistral-7B embedding model and compare it with DeBERTa, used in the state-of-the-art (SOTA) systems in PAN-25 multi-author writing style analysis challenge. Results show that DeBERTa and Mistral excel in different user-generated text scenarios. We exploit this diversity by combining both embeddings, leading to more effective style change detection.
Abstract（参考訳）: 複数著者のスタイル変更検出におけるLarge Language Models (LLM) の利用について検討する。そこで本研究では,LLMをベースとした埋め込みを用いたクロスドメイン変換学習を提案する。我々はMistral-7B埋め込みモデルを微調整し、PAN-25の最先端(SOTA)システムで使われているDeBERTaと比較する。その結果,DeBERTaとMistralは異なるユーザ生成テキストシナリオで優れていることがわかった。両方の埋め込みを組み合わせることで、この多様性を活用すれば、より効果的なスタイル変更検出が可能になります。

関連論文リスト

PlaM: Training-Free Plateau-Guided Model Merging for Better Visual Grounding in MLLMs [59.78917775399492]
マルチモーダル命令の微調整はパラドックス的にこのテキストの推論能力を低下させる。この劣化を緩和するためのトレーニング不要のフレームワークを提案する。
論文参考訳（メタデータ） (2026-01-12T15:27:51Z)
Parameter-Efficient MoE LoRA for Few-Shot Multi-Style Editing [6.95397292284568]
そこで本研究では,パラメータ効率のよいMixture-of-Experts Low-Rank Adaptation (MoE LoRA)を提案する。提案手法は,LoRAパラメータが大幅に少ない既存の最先端手法よりも優れている。
論文参考訳（メタデータ） (2025-11-14T12:40:21Z)
DAM: Dual Active Learning with Multimodal Foundation Model for Source-Free Domain Adaptation [53.323488295994395]
ソースフリーアクティブドメイン適応(SFADA)は、アクティブラーニングによって選択された限られた手動ラベルを用いて、ソースモデルから未ラベルのターゲットドメインへの知識伝達を強化する。マルチモーダル・ファンデーション・モデルを用いたデュアルアクティブ・ラーニング(DAM)を提案する。大規模な実験では、DAMは既存のメソッドを一貫して上回り、複数のSFADAベンチマークとアクティブな学習戦略で新しい最先端の手法を設定できる。
論文参考訳（メタデータ） (2025-09-29T15:06:56Z)
RepreGuard: Detecting LLM-Generated Text by Revealing Hidden Representation Patterns [50.401907401444404]
大規模言語モデル(LLM)は、誤用を防止し、信頼できるAIシステムを構築するために不可欠である。本稿では,統計量に基づく効率的な検出手法であるRepreGuardを提案する。実験結果から、RepreGuardは、平均94.92%のAUROCですべてのベースラインでID(in-distriion)とOOD(OOD)の両方のシナリオでパフォーマンスが向上していることが示された。
論文参考訳（メタデータ） (2025-08-18T17:59:15Z)
What Changed? Detecting and Evaluating Instruction-Guided Image Edits with Multimodal Large Language Models [88.398085358514]
DICEは、原画像と編集画像の局所的な差異を検出するために設計されたモデルである。自己監督、塗布ネットワークからの蒸留、全監督を利用する戦略を用いて訓練されている。 DICEは一貫性のある編集を効果的に識別し、異なる編集モデルによって生成された画像を人間の判断と強く相関して効果的に評価する。
論文参考訳（メタデータ） (2025-05-26T18:00:10Z)
FAID: Fine-Grained AI-Generated Text Detection Using Multi-Task Auxiliary and Multi-Level Contrastive Learning [45.28976933063373]
本稿では,テキストを人間書き,LLM生成,人間-LLM協調テキストの3つのカテゴリに分類する,きめ細かい検出フレームワークFAIDを提案する。提案手法は,多段階のコントラスト学習とマルチタスクの補助的分類を組み合わせることで,微妙なスタイリスティックな学習法を学習する。実験の結果,FAIDはいくつかのベースラインより優れており,特に未確認領域や新しいLSMの一般化精度が向上していることがわかった。
論文参考訳（メタデータ） (2025-05-20T12:23:31Z)
You've Changed: Detecting Modification of Black-Box Large Language Models [4.7541096609711]
大規模言語モデル(LLM)はAPIを通じてサービスとして提供されることが多いため、開発者は振る舞いの変化を検出することが難しい。生成したテキストの言語的特徴と心理言語学的特徴の分布を比較することで,変化に対するLLMの監視手法を提案する。
論文参考訳（メタデータ） (2025-04-14T04:16:43Z)
Distilling Transitional Pattern to Large Language Models for Multimodal Session-based Recommendation [67.84581846180458]
セッションベースのレコメンデーション(SBR)は、匿名セッションに基づいて次の項目を予測する。近年のMultimodal SBR法は、モダリティ学習に単純化された事前学習モデルを用いるが、セマンティック・リッチネスに制限がある。蒸留パラダイムを拡張し,MSBRの促進のための遷移パターンを分離・整合させる多モードLCM拡張フレームワークTPADを提案する。
論文参考訳（メタデータ） (2025-04-13T07:49:08Z)
One Arrow, Many Targets: Probing LLMs for Multi-Attribute Controllable Text Summarization [7.734726150561089]
Multi-Attribute Controllable Summarization (MACS)は、自然言語処理(NLP)コミュニティの中で確立されたタスクである。本研究は,大規模言語モデルのレンズを通してMACSタスクを調べることで,そのギャップに対処する。 2つの異なる制御可能な属性からの学習を統合するために,新しい階層型アダプタ融合手法を提案し,評価する。
論文参考訳（メタデータ） (2024-11-02T11:07:25Z)
Aligning Language Models with Demonstrated Feedback [58.834937450242975]
Demonstration ITerated Task Optimization (DITTO)は、言語モデルの出力とユーザの実証された振る舞いを直接調整する。我々は,DITTOがニュース記事やメール,ブログ記事などのドメイン間できめ細かいスタイルやタスクアライメントを学習する能力を評価する。
論文参考訳（メタデータ） (2024-06-02T23:13:56Z)
Style Variable and Irrelevant Learning for Generalizable Person Re-identification [2.9350185599710814]
本稿では,モデルに対するスタイル要因の影響を排除するために,スタイル変数と非関連学習(SVIL)手法を提案する。 SJMモジュールは、特定のソースドメインのスタイルの多様性を強化し、様々なソースドメインのスタイルの違いを減らすことができる。提案手法はDG-ReIDベンチマークにおける最先端の手法よりも大きなマージンで優れている。
論文参考訳（メタデータ） (2022-09-12T13:31:43Z)

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。