Nov, 2022

比较几种 AI 技术用于罗马尼亚文本的作者识别

PDF
TL;DR本文探讨了利用人工智能技术对多个作者编写的文学文本进行分类的难点，并介绍了一个新的包含罗马尼亚语文本的数据集。经过数值实验比较，得出了人工神经网络、支持向量机、多表达式编程、决策树以及 k - 最近邻等算法在测试集上表现较好。
ai techniquesliterary textsauthor classificationromanian languagemachine learning algorithms
发现论文，激发创造
  • 基于 BERT 的罗马尼亚语数据集 ROST 的作者归属

    使用预训练的语言模型 BERT 来检测罗马尼亚语文本的作者，虽然数据集不平衡，但结果比预期好，有时超过 87％的宏平均精度。

    Jan, 2023

  • 大型语言模型上的神经作者归属性：风格分析

    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

  • 神经文本作者身份鉴定与混淆：数据挖掘视角

    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

  • 使用神经网络语言模型进行作者归属判定

    研究了神经网络语言模型在作者归属问题上的性能，发现与传统非参数化模型相比，其性能更优越。

    Feb, 2016

  • 基于类生网络自动机的作者身份鉴别

    这篇论文介绍了一种基于细胞自动机理论的文本网络特征提取方法，着眼于拓扑和动态方面的衡量，表明此方法在作者识别上优于传统的基于拓扑度量的方案，并强调预处理步骤对识别效果的影响。

    Oct, 2016

  • 基于注意力相似度学习的社交媒体可解释式作者验证

    本文针对社交媒体上短文本语言特征多变不足以支持作者验证的问题，提出了一种基于 Hierarchical Siamese 神经网络的算法，通过学习神经特征和可视化决策过程可以有效地进行作者验证，并在大规模的亚马逊评论数据集上进行实验，结果表明 Siamese 神经网络模型优于传统的基于语言特征的方法。

    Oct, 2019

  • 使用神经文本生成器欺骗在线作者归属模型：你是罗伯特还是罗伯塔？

    本文探讨自然语言模型在生成具有被误认为是他人所写的能力的在线文本方面的潜力，发现当前的这类技术中 GPT-2 可成功地模拟与欺骗常见的作者识别的方法，说明了这类技术的巨大潜力和其实际应用如非法信息识别和犯罪取证的重要性。

    Mar, 2022

  • 基于集成 LLM 方法的生成式人工智能文本分类

    本文提出了一种集成神经模型以检测大型语言模型生成的语言，并对模型进行归因的方法。

    Sep, 2023

  • 谁撰写评论，人类还是人工智能？

    本研究提出了一种方法来准确区分 AI 生成和人工撰写的书评，通过使用迁移学习，该方法能够在不同主题上识别生成的文本，并提高对写作风格和词汇变化的检测能力。实验结果表明，能够检测文本的原始来源，达到了 96.86% 的准确率。为了确保人工生成内容的完整性和真实性，扩大对大型语言模型在文本识别方面的能力和限制的理解对于有效地应用类似的模型以及确保内容的整体和真实性将是有价值的。

    May, 2024

  • 通过完全相反的方法来欺骗人工智能吗？—— 以长田新的文本作者分析为例

    本文利用基于预训练的 transformer 模型和传统相似性度量的基线方法，对日本教育家 Arata Osada 在 10 多年时间段内创作的作品进行二元作者分析任务，确认了作者心理上的变化会影响到作品归属问题，历史事件对人的伦理观念有很大影响。

    Jul, 2022