LLM 一键式风格迁移用于作者归属与验证
计算与语言
2025-12-19 v3 人工智能
摘要
计算化学计量学通过量化文本模式来研究写作风格，从而实现作者归属、身份链接和抄袭检测等应用。现有的监督式和对比式方法常依赖具有虚假关联的数据，混淆风格与主题。尽管语言模型与这些任务相关，但现代大型语言模型 (LLMs) 的预训练在一般性作者分析中被鲜少利用。我们引入了一个无监督框架，使用 LLM 的对数概率来衡量两种文本之间的风格可转移性。该框架利用现代 LLM 的广泛 CLM 预训练和情境能力。我们的做法避免了使用带有虚假关联数据的显式监督。我们的框架在相同模型规模的无监督提示基线之上显著优于基线，在控制主题重叠的情况下，还超过了对比式训练的模型。我们的框架的性能随模型规模而提高。在作者验证的情况下，我们提出了一种额外机制，通过增加推理时的计算量来提高准确度；实现在计算成本与任务性能之间进行灵活的权衡。
引用
@article{arxiv.2510.13302,
title = {LLM one-shot style transfer for Authorship Attribution and Verification},
author = {Pablo Miralles-González and Javier Huertas-Tato and Alejandro Martín and David Camacho},
journal= {arXiv preprint arXiv:2510.13302},
year = {2025}
}