アーカイヴ (arXiv) は2026年11月4日(現地時間)、研究論文「Consistent yet Contextual: Learning Author-Level Mixtures of Style for Authorship Attribution」を公開した。同論文は、著者の多様な書き方スタイルを多角的に捉える新たなモデリング手法を提案しており、従来の著者推定手法がこの点を十分に考慮していなかったことを指摘。複数の首尾一貫した異なる執筆スタイルを導入することで、著者推定のパフォーマンスが大幅に向上したと報告している。
この研究論文は、著者推定または著者検証における従来のアプローチが、文書全体のスタイルをモデル化する一方で、著者自身の持つ多様な執筆スタイルを十分に捉えきれていなかった点を指摘している。
研究チームは、著者をモデル化するための複数の代替案を導入し、著者の表現が複数の首尾一貫した、しかし異なる書き方スタイルを捉えることで、著者推定のパフォーマンスが大幅に向上することを示した。この新しい著者モデリング手法を用いて、研究チームは著者が最も個性的なスタイルで執筆する状況を4つのシナリオで検証した。
そのシナリオとは、(i) 読者層の規模の変動、(ii) モデルが訓練された時点からの時間的距離、(iii) 先行する文脈の効果、(iv) ジャンル規範がスタイルに与える影響である。
これら4つの実験全てにおいて、著者がその書き方においていかに個性的であるかに関して、大幅な多様性があることが示された。本研究の結果は、著者検証および著者推定のためのモデリングおよびデータに対し明確な含意を持つ。具体的には、著者を複数のスタイルで表現する必要があること、そして一部の設定では、そのテキストが誰によって書かれたかについてより多くの情報を提供するという。
論文の著者として、オンカー・ヤダブ (Omkar Yadav) 氏、マイケル・ジャン (Michael Jiang) 氏、キーナン・アルキエク (Kenan Alkiek) 氏、ジャン・チュー (Jian Zhu) 氏、デビッド・ジャーゲンズ (David Jurgens) 氏が名を連ねている。
参考: arXiv cs.CL (アーカイブ) — 2026年11月6日 14:00 (JST)
原文ハイライト"Learning Author-Level Mixtures of Style for Authorship Attribution"