评估了最先进的作者混淆方法的隐蔽性，并发现它们缺乏隐蔽性，因为它们以可检测的方式降低了文本平滑度。这凸显了开发更能保护寻求匿名性作者身份的隐蔽作者混淆方法的必要性。

May, 2020

本文研究了基于样式测量方法的作者归属问题，提出了一种基于集成学习的自动化作者混淆方法，并证明它的迁移性更佳。

Sep, 2021

本文提出了一种基于变分自编码器（VAE）的框架，通过自动重写人类生成的文本来混淆文本的风格特征，具有两个混淆风格概念更灵活的选择，可以用于提高下游分类器的公平性。同时，文章还通过对文本进行两个或三个域的风格混淆的池化效果进行了综合研究。

Sep, 2021

通过强化学习，我们介绍了一种自动文本隐私保护框架，该框架通过针对大型语言模型进行微调，产生能够在保持准确性、连贯性和隐私性之间达到平衡的重写文本，并在大规模的测试集上进行了全面评估，并成功规避了多种自动化作者识别攻击。

May, 2024

本文提出了一种新的隐写方法，名为 “obfuscation-by-invariance”，通过使用样式不变性训练模型，可以有效地保留输入文本的语义内容，自动评估指标与现有的基于隐写 - 转换的模型相当。但是，人类评估结果显示在保留语义内容和语法准确性方面存在权衡。

May, 2018

在这篇论文中，我们通过利用统一信息密度（UID）理论，设计了三种小说的作者模糊化方法，并通过对 50 篇人工文章和 50 篇 GPT-3 生成文章进行模糊化，观察了每种方法对误导作者识别器的效果，虽然在语义保留和意义变化方面模糊化的质量较高，但我们无法找到任何证据表明 UID 是一种可行的模糊化指标。然而，由于时限限制，我们无法测试足够多的文章样本或调整我们的作者识别器参数，以对 UID 在模糊化中作出最后结论。

Nov, 2023

本文提出了一种隐私保护机制，通过结合机器学习技术和文本处理技术，通过 “词袋” 表示的文档来建模文本文件的隐私。该机制在语义相似性度量方面满足隐私保护，从而在保护文本隐私信息的同时，保留足够的文本内容信息以便进行准确的内容分类任务。

Nov, 2018

该研究旨在探讨防止作者识别的方法，在复制一个初步研究中的实验条件和结果时，验证了完全自动的转换方法可能会降低已有的作者识别方法的有效性。

Aug, 2022

本文提出了一种明确遮蔽作者特征的方法，使训练后的表示对这些属性不变，以便在两个任务中评估，表明这导致所学表示的隐私性增强，以及更强大的模型应对不同的评估条件，包括领域外语料库。

May, 2018

我们的研究提出了几个组件，以便于在野外部署对抗性攻击以攻击自动推断潜在敏感作者信息的模型，并且介绍了基于 Transformer 扩展的词汇替换攻击，证明了其在训练弱标记语料库数据时能够实现高传递性，使目标模型的性能降低到低于随机 chance 水平。我们成功的攻击虽然不完全不可察觉，但也比人类需要更少的检测。因此，我们的框架为未来进行隐私保护的对抗性攻击提供了一个具有实用前景的方向。

Jan, 2021