对作者省略的问题提出了对抗性威胁的解决方案，该方案通过对抗式训练，在考虑到对抗训练的情况下提高了作者认证方法的鲁棒性。

Mar, 2022

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

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

本文综述了从数据挖掘的角度出发，针对神经文本生成中的作者归属与模糊化问题开展的最近研究，旨在理解传统作者归属与模糊化方法的局限性并探讨新的研究方向，以解决神经文本撰写人的匿名性与隐私问题。

Oct, 2022

提出了一种改变文本的方法以减少样式特征的差异。该方法能有效地保护作者的匿名，并在 PAN-2016 竞赛的作者混淆任务中获得最佳表现。

Jul, 2017

作者身份辨识的有效性为人所知，在未签名的文档中推断出作者的身份，即使敏感个人信息已被小心地省略。在数字时代，个人通过其书面内容留下持久的数字足迹，无论是在社交媒体上发布，存储在雇主的计算机上，还是其他地方。当个人需要公开交流但希望保持匿名时，几乎没有什么可以保护他们免受不必要的作者身份辨识的工具。该论文综述了过去二十多年来关于规避作者身份辨识攻击的研究的进展，重点介绍了修改和生成为基础的策略，着重强调了差分隐私社区的共同努力。讨论了当前研究的局限性，并聚焦于开放性挑战和潜在的研究方向。

Oct, 2023

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

现代作者指定（AA）和作者混淆（AO）是隐私研究中两个重要且竞争性的任务，为了解决现有 AA 方法引发的隐私问题，本研究提出了一个实用的 AO 方法 ALISON，通过攻击三种基于 Transformer 的 AA 方法在两个基准数据集上表现出更好的混淆效果，并且无需目标 AA 分类器的直接信号，在大幅减少训练和混淆时间的同时，保持了原始文本的意义。

Feb, 2024

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

本文介绍了 SHIELD，对六种当前最先进的作者归属方法进行攻击后的实验，通过在 Google Code Jam 竞赛中利用 200 个编程者数据集，从非有目标攻击和有目标攻击两个方向对不同的代码归属提取技术进行了实验，发现现有的作者归属方法对抗攻击的脆弱性，并对攻击成功率和身份识别信任度的影响进行了分析。

Apr, 2023