AuthorMix：通过逐层适配器混合的模块化作者风格迁移
计算与语言
2026-05-29 v3 人工智能
摘要
作者风格迁移任务涉及在保留原文含义的同时，以目标作者的风格重写文本。现有的风格迁移方法在大型语料库上训练单一模型以同时建模所有目标风格：这种高成本方法为目标特定适应提供了有限的灵活性，并且常常为了风格迁移而牺牲含义保留。在本文中，我们提出AuthorMix：一个轻量级、模块化且可解释的风格迁移框架。我们在一组少量高资源作者上训练独立的、特定风格的LoRA适配器，通过学习逐层适配器混合，仅使用少量目标风格训练样本即可为每个新目标快速训练专门的适应模型。AuthorMix在低资源目标上超越了现有的最先进风格迁移基线——以及GPT-5.1——取得了最高总分，并在自动和人工评估中显著提高了含义保留。
引用
@article{arxiv.2603.23069,
title = {AuthorMix: Modular Authorship Style Transfer via Layer-wise Adapter Mixing},
author = {Sarubi Thillainathan and Ji-Ung Lee and Michael Sullivan and Alexander Koller},
journal= {arXiv preprint arXiv:2603.23069},
year = {2026}
}
备注
Under review