[論文レビュー] AuthorMix: Modular Authorship Style Transfer via Layer-wise Adapter Mixing

Sarubi Thillainathan, Ji-Ung Lee+2 more|arXiv (Cornell University)|Mar 24, 2026

Authorship Attribution and Profiling被引用数 0

ひとこと要約

著者ミックスは、高リソース著者で訓練されたスタイル固有のLoRAアダプタを層ごとにミックスするモジュール式スタイル転換フレームワークを導入し、少数の例で新しいターゲット著者に迅速に適応可能。ベースラインやGPT-5.1を低リソースターゲットで上回りつつ、意味の保持を維持。

ABSTRACT

The task of authorship style transfer involves rewriting text in the style of a target author while preserving the meaning of the original text. Existing style transfer methods train a single model on large corpora to model all target styles at once: this high-cost approach offers limited flexibility for target-specific adaptation, and often sacrifices meaning preservation for style transfer. In this paper, we propose AuthorMix: a lightweight, modular, and interpretable style transfer framework. We train individual, style-specific LoRA adapters on a small set of high-resource authors, allowing the rapid training of specialized adaptation models for each new target via learned, layer-wise adapter mixing, using only a handful of target style training examples. AuthorMix outperforms existing, SoTA style-transfer baselines -- as well as GPT-5.1 -- for low-resource targets, achieving the highest overall score and substantially improving meaning preservation.

研究の動機と目的

• 柔軟でターゲット固有の著作スタイル転換を訓練コストを抑えて動機づける。
• アダプタを用いて新しいターゲットスタイルへの迅速な適応を可能にするモジュール式フレームワークを開発する。
• データ効率の高い訓練で意味を preservingしつつターゲット著者スタイルを転送する。
• アダプタミックスによる層ごとで解釈可能なスタイル転換の制御を提供する。

提案手法

• 高リソース著者のセットでスタイル固有のLoRAアダプタを訓練する。
• 既存のアダプタからターゲットスタイルを構成するための層ごとのアダプタミキシングを学習する。
• 少量のターゲットスタイルデータのみを用いて新しいターゲットスタイルへ迅速に適応できるようにする。
• 強力なベースラインと比較して意味の保持の改善を識別する。
• 低リソースターゲットに対してSoTAベースラインおよびGPT-5.1と比較する。

実験結果

リサーチクエスチョン

• RQ1 著者ミックスは既存のベースラインと比較して低リソースターゲット著者でどの程度性能を発揮するのか？
• RQ2 層ごとアダプタミキシングはスタイル転送を強力に行いつつ意味の保持を改善するのか？
• RQ3 事前訓練済みアダプタを用いたモジュール式セットアップは限られたデータで新しいターゲットスタイルへの迅速な適応を可能にするのか？
• RQ4 自動評価と人間評価の両方でAuthorMixはSoTAスタイル転送手法と比較してどうか？

主な発見

• AuthorMixは低リソースターゲットで既存のSoTAスタイル転送ベースラインを上回る。
• AuthorMixは低リソースターゲットでGPT-5.1を上回る。
• このフレームワークは総合スコアで最高を記録し、自動評価と人間評価の両方で意味の保持を大幅に改善する。