English(EN) One-shot Style Transfer LLM log-probabilities for Authorship Attribution and Verification

新研究使用LLM进行作者归属和验证

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-02 04:00

研究人员开发了一个新颖的无监督框架，该框架利用大型语言模型（LLM）的对数概率来进行作者归属和验证。该方法利用LLM的广泛预训练和单次能力来衡量文本之间的风格迁移性，其性能优于现有的无监督基线，并与对比方法相比显示出有竞争力的结果。该框架的有效性随着模型规模的增大而提高，并在多种语言中表现出强大的性能，还有一个可选机制可以在增加计算成本的同时提高准确性。 AI

影响这项研究可以提高学术和专业写作中检测抄袭和验证作者身份的准确性和效率。

排序理由详细介绍使用LLM进行作者归属新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 24 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 详细介绍使用LLM进行作者归属新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Pablo Miralles-Gonz\'alez, Javier Huertas-Tato, Alejandro Mart\'in, David Camacho · 2026-09-02 04:00

用于作者归属和验证的单次风格迁移LLM对数概率

arXiv:2510.13302v4 Announce Type: replace-cross Abstract: Computational stylometry studies writing style through quantitative textual patterns, enabling applications such as authorship attribution, identity linking, and plagiarism detection. Despite the relevance of language mode…

本文如何被排名

报道来源 [1]

用于作者归属和验证的单次风格迁移LLM对数概率

相关实体

相关话题