Stylometric approaches have been shown to be quite effective for real-world
authorship attribution. To mitigate the privacy threat posed by authorship
attribution, researchers have proposed automated authorship obfuscation
approaches that aim to conceal the stylometric artefacts that g
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。
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。