English(EN) Author Representation Strategies for Zero-Shot Authorship Attribution: A Comparative Study of LLM-Based and Embedding-Based Approaches

新研究探讨基于LLM和基于嵌入的零样本作者归属策略

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-05 04:00

一篇新研究论文探讨了零样本作者归属的策略，这项任务无需先验示例即可识别作者。该研究比较了基于LLM的方法和基于嵌入的方法，发现仅标签提示无效。结合作者特定表示可显著提高性能，提出的两阶段LISA框架取得了最佳结果。虽然LLM生成的描述提供了更紧凑的表示，但会牺牲一些归属准确性，这表明当前的开源LLM在没有更好的表示学习的情况下不足以进行稳健的归属。 AI

影响这项研究可能导致更有效的AI驱动的工具，用于验证作者身份和检测AI生成的文本。

排序理由该集群包含一篇详细介绍作者归属新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 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: 11 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍作者归属新方法的论文。[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: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Nudrat Habib, Tosin Adewumi, Sana Sabah Al-Azzawi, Marcus Liwicki, Elisa Barney · 2026-10-05 04:00

零样本作者归属的作者表示策略：基于LLM和基于嵌入式方法的比较研究

arXiv:2610.03531v1 Announce Type: new 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 e…

本文如何被排名

报道来源 [1]

零样本作者归属的作者表示策略：基于LLM和基于嵌入式方法的比较研究

相关实体

相关话题