本文讨论了神经语言模型与人工写作之间的风格差异，发现传统风格测量技术不能有效地检测机器生成的虚假新闻。作者提出了构建新型检测机制的必要性与重要性。

Aug, 2019

通过实证分析大型语言模型（LLMs）的写作特征、对比专有和开源模型的异同、并探索通过语言的词汇、句法和结构方面的风格特征整合实现对 AI 生成文本的追溯，为神经网络作者归属提供经验性洞见，为应对 AI 生成的错误信息的威胁铺平道路。

Aug, 2023

本研究使用提示技术，对大量文本进行文体分析，得到了一组可解释的文体表示方法 LISA embeddings，为解决当前使用神经网络进行文体表示学习所面临的可解释性困境提供了新的解决方案。

May, 2023

本文提出了一种基于双向长短期记忆 (BLSTM) 和二维卷积神经网络 (CNN) 的方法来进行文本作者识别，通过使用子词信息获得特征之间的顺序关系以及了解风格的局部语法位置，实验证明该方法相比其他最新方法在 CCAT50 和 Twitter 上分别提高了 1.07％和 0.96％的准确率，并在其余数据集上产生了可比较的结果。

Jun, 2023

我们提出了一种新的方法，用于在 LinkedIn 在线社交网络注册和建立连接之前立即检测伪造和大型语言模型（LLM）生成的个人资料。该方法使用 LinkedIn 个人资料中的文本信息，并引入 “Section and Subsection Tag Embedding（SSTE）” 方法，以增强这些数据的区分性特征，以区分合法个人资料和由冒名顶替者手动或使用 LLM 创建的个人资料。我们收集了 3600 个 LinkedIn 个人资料，并将其公开用于研究目的。我们展示了该方法可以在所有词嵌入中实现约 95% 的准确率，可以区分合法个人资料和伪造个人资料。此外，我们还展示了 SSTE 对于识别由 LLM 生成的个人资料具有很高的准确率，即使在训练阶段没有使用 LLM 生成的个人资料，当训练集中添加仅 20 个 LLM 生成的个人资料时，可以实现约 90% 的准确率。这是一个重要的发现，因为在不久的将来将出现多种 LLM，设计一个能够识别由各种 LLM 创建的个人资料的单一系统将变得非常具有挑战性。

Jul, 2023

通过构建 38 种风格的语料库，研究团队提出了一种基于记忆和多任务学习策略的对话生成框架 StyleChat，它能够有效地解决基于大规模语言模型的风格化对话生成中的数据偏差问题，并在测试中取得了优秀的表现。

Mar, 2024

我们研究了结合注意力屏蔽方法和大型语言模型的无监督文本风格转换任务，提出了四种交互方式，包括调整顺序的管线框架、从语言模型到注意力屏蔽模型的知识蒸馏，以及构建并行例子的上下文学习。实验证明这些多向交互能够在风格强度、内容保留和文本流畅度等方面改善基线结果，提高超过其他系统，包括有监督文本风格转换系统的性能。在 Yelp-clean 和 Amazon-clean 数据集上，相对之前最佳度量结果，它们分别提高了 0.5 和 3.0 个绝对百分点，并获得了新的技术水平。

Feb, 2024

本研究介绍了一种基于概率模型和可变图自动编码器方法的 Deep-LPTM 模型聚类策略，使节点和边在两个嵌入空间中构建联合表示，以解决社交网络中的节点聚类和数据可视化等问题，并在 Enron 公司的电子邮件数据上进行了验证。

Apr, 2023

提出了一种新的方法来生成文本水印，通过策略性地改变生成过程中的令牌概率，利用语言学特征（如风格学）对大型语言模型（LLMs）进行参数化，以提高鲁棒性和应对传统攻击。

May, 2024

本研究提出了一种基于 LDA 潜在狄利克雷分布的新型垃圾邮件分类方法，提取了主题分布模式的本地和全局信息，优于其他最先进的方法，能够有效识别社交网络上类似合法用户的智能垃圾邮件。

Apr, 2016