論文の概要: Consistent yet Contextual: Learning Author-Level Mixtures of Style for Authorship Attribution

• arxiv url: http://arxiv.org/abs/2611.07111v1
• Date: Wed, 04 Nov 2026 20:25:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.445513
• Title: Consistent yet Contextual: Learning Author-Level Mixtures of Style for Authorship Attribution
• Title（参考訳）: Consistent yet Contextual: Learning Authorship-Level Mixtures of Styles for Authorship Attribution
• Abstract要約: 著者の検証や帰属へのアプローチは、典型的には文書のスタイルをモデル化し、2つの文書が同一の著者によって書かれた可能性が高いかどうかを問う。 著者をモデル化するための代替案をいくつか紹介し、著者の表現が複数の一貫した書き出しスタイルをキャプチャできるようにすることで、大幅な性能向上が得られることを示した。
• 参考スコア（独自算出の注目度）: 24.047845284144838
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Approaches to authorship verification or attribution typically model the style of a document, asking whether two documents were likely written by the same author. While recent approaches have been performant, such approaches largely ignore modeling the authors themselves and how varied their style is. Here, we introduce multiple alternatives for modeling the author and demonstrate that allowing an author's representation to capture multiple consistent but distinct writing styles yields significant performance improvements. Using our new authorship model, we then examine when an author writes in a way that is most idiomatic of their style across four scenarios: (i) variation in the size of their writing audiences, (ii) temporal distance from when the model was trained, (iii) the effect of preceding context, and (iv) the effect of genre norms on style. Across all four experiments, we demonstrate that authors vary substantially in how idiolectic their writing is. Our results have clear implications for both the modeling and data used for authorship verification and attribution, showing that authors need to be represented with their multiple styles and that some settings produce text that is much more informative about who wrote that text.
• Abstract（参考訳）: 著者の検証や帰属へのアプローチは、典型的には文書のスタイルをモデル化し、2つの文書が同一の著者によって書かれた可能性が高いかどうかを問う。 近年のアプローチは実行されているが、そのようなアプローチは著者自身のモデリングやスタイルの多様性をほとんど無視している。 本稿では、著者をモデル化する複数の代替手法を紹介し、著者の表現が複数の一貫した書き出しスタイルをキャプチャできるようにすることで、大幅な性能向上をもたらすことを示す。 新しい著者モデルを使用して、著者が4つのシナリオにまたがるスタイルを最も慣用的な方法でいつ書くかを調べる。 一 筆記客の大きさのばらつき 二 モデルが訓練された時から時間的距離 三 先行する文脈の効果、及び (4)ジャンル規範がスタイルに及ぼす影響。 これら4つの実験において,著者の書き方は大きく異なることを示した。 この結果から,著者の複数のスタイルで著者を表現する必要があること,そのテキストを誰が書いたのか,より情報的なテキストを生成する設定があることが示唆された。

関連論文リスト

• 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)
• Generation, Evaluation, and Explanation of Novelists' Styles with Single-Token Prompts [3.7189423451031356]
  本稿では,19世紀の小説家のスタイルによる文の生成と評価のための枠組みを提案する。 大規模な言語モデルは、ディケンズ、オーステン、トウェイン、アルコット、メルヴィルといった作家の声でテキストを作成するために、最小限の単一音のプロンプトで微調整されている。
  論文  参考訳（メタデータ） (2025-11-25T16:25:44Z)
• Personalized Image Generation from an Author Writing Style [0.29998889086656577]
  ニュアンスでテキストで定義された著作スタイルを説得力のある視覚表現に変換することは、ジェネレーティブAIにおける新たな課題である。 本稿では,Large Language Model (LLM) への入力として Author Writing Sheets (AWS) を利用するパイプラインを提案する。 我々はRedditのデータから49の著者スタイルを用いてアプローチを評価し、人間の評価者が生成した画像のスタイリスティックなマッチングと視覚的特徴を評価した。
  論文  参考訳（メタデータ） (2025-07-04T05:53:48Z)
• Isolating authorship from content with semantic embeddings and contrastive learning [49.15148871877941]
  作者は内部にスタイルとコンテンツが絡み合っている。 本稿では,意味的類似性モデルを用いて合成的に生成した強みを付加したコントラスト学習手法を提案する。 この切り離し技術は、コンテンツ埋め込み空間をスタイル埋め込み空間から遠ざけることを目的としており、スタイル埋め込みをより情報伝達する。
  論文  参考訳（メタデータ） (2024-11-27T16:08:46Z)
• Capturing Style in Author and Document Representation [4.323709559692927]
  著者と文書の埋め込みをスタイリスティックな制約で学習する新しいアーキテクチャを提案する。 本稿では,Gutenbergプロジェクトから抽出した文芸コーパス,Blog Authorship,IMDb62の3つのデータセットについて評価を行った。
  論文  参考訳（メタデータ） (2024-07-18T10:01:09Z)
• Low-Resource Authorship Style Transfer: Can Non-Famous Authors Be Imitated? [41.365967145680116]
  オーサリングスタイルの転送は、本来の意味を保ちながら、ターゲットの作者のスタイルに合わせてテキストを変更することを含む。 低リソースなオーサリングスタイルの転送タスクを導入し、ターゲットのオーサリングスタイルに限られたテキストしか存在しないようにする。 実験では、Redditのソースとターゲットの作者を選択し、Redditの投稿を転送し、ターゲットの著者のスタイルのたった16の投稿(平均500ワード)に制限します。
  論文  参考訳（メタデータ） (2022-12-18T01:57:30Z)
• PART: Pre-trained Authorship Representation Transformer [52.623051272843426]
  文書を書く著者は、自分のテキストに識別情報を印字する。 以前の作品では、手作りの機能や分類タスクを使って著者モデルを訓練していた。 セマンティクスの代わりにテキストの埋め込みを学習するために、対照的に訓練されたモデルを提案する。
  論文  参考訳（メタデータ） (2022-09-30T11:08:39Z)
• Letter-level Online Writer Identification [86.13203975836556]
  我々は文字レベルのオンラインライタIDという新たな問題に焦点をあてる。 主な課題は、しばしば異なるスタイルで手紙を書くことである。 我々はこの問題をオンライン書記スタイルのばらつき(Var-O-Styles)と呼ぶ。
  論文  参考訳（メタデータ） (2021-12-06T07:21:53Z)

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。