零样本作者归属：作者表示策略对比
热点事件持续更新
零样本作者归属：作者表示策略对比
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
一项 arXiv 论文对比了零样本作者归属（AA）中不同作者表示策略的效果。结果显示，仅用标签提示无效；引入作者特定表示（代表性写作样本、LLM 生成描述、风格嵌入 LISA）可稳定提升归属性能。其中两阶段 LISA 嵌入框架整体表现最强，LLM 生成风格描述则以更紧凑的表示换取部分性能损失。 研究还指出，当前开源 LLM 在缺乏更有效表示学习时，仍不足以实现稳健的作者归属。
AI 根据报道生成 · 2 小时前更新
最新进展10月5日 12:00
零样本作者归属的作者表示策略：LLM 与嵌入向量方法对比研究报道时间线
沿着报道，了解事件的不同侧面。
10月5日
- arXiv：cs.CL零样本作者归属的作者表示策略：LLM 与嵌入向量方法对比研究
研究对比了零样本作者归属（AA）中不同作者表示策略的效果，包括仅标签提示、代表性写作样本、LLM 生成描述和风格嵌入向量（LISA）。结果显示仅标签提示无效，引入作者特定表示可稳定提升归属性能，其中两阶段 LISA 嵌入框架整体表现最强，LLM 生成风格描述则以更紧凑的表示换取部分性能损失。研究还指出当前开源 LLM 在缺乏更有效表示学习时仍不足以实现稳健的作者归属。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。