[論文レビュー] Authorship Attribution Using the Chaos Game Representation

Daniel Lichtblau, Cătălin Stoean|arXiv (Cornell University)|Feb 14, 2018

Authorship Attribution and Profiling参考文献 46被引用数 3

ひとこと要約

本稿では、16文字のアルファベットマッピングを用いたカオスゲーム表現（CGR）を用いてテキストをグレースケール画像に変換し、機械学習分類器を適用することで著者属性を特定する新規の著者属性特定手法を提案する。この手法は連邦論文において82％のトップ1正答率、93％のトップ4正答率を達成し、英語およびポルトガル語のデータセットにおいても優れた結果を示しており、デジタルフィンガープrintや改ざん検出への応用が期待される。

ABSTRACT

The Chaos Game Representation, a method for creating images from nucleotide sequences, is modified to make images from chunks of text documents. Machine learning methods are then applied to train classifiers based on authorship. Experiments are conducted on several benchmark data sets in English, including the widely used Federalist Papers, and one in Portuguese. Validation results for the trained classifiers are competitive with the best methods in prior literature. The methodology is also successfully applied for text categorization with encouraging results. One classifier method is moreover seen to hold promise for the task of digital fingerprinting.

研究の動機と目的

• メール、ブログ、フォーラムなどのデジタル文脈における匿名テキストの著者属性特定の課題に対処すること。
• 従来の語彙的および文法的手法の限界を克服し、テキストスタイルの視覚的表現を導入すること。
• 辞書や言語処理の前処理を必要とせず、ラテン文字を使用するテキストに対して汎用的に機能する言語に依存しない手法を開発すること。
• CGRに基づく画像を改ざん検出およびテキスト認証用のデジタルフィンガープrintとして使用可能かどうかを検討すること。
• 連邦論文やポルトガル語コーパスを含むベンチマークデータセットを用いて、一般化性能と頑健性を評価する。

提案手法

• 語彙的および綴りの同値クラスを用いて、元のテキストを文字頻度をバランスさせる16文字のアルファベットに縮約する。
• 各テキストチャンクを16文字のシーケンスに基づき、2次元グレースケール画像に変換するためのカオスゲーム表現（CGR）を適用する。
• 画像の次元を28次元に削減するための特徴抽出技術として、FTT（画像のフーリエ変換）およびPCA（主成分分析）を用いる。
• 画像ベースの特徴量を用いて、k-NNおよびロジスティック回帰などの複数の機械学習分類器を訓練し、著者属性を予測する。
• 特徴空間における距離に基づくスコア（例：逆数距離）を用いて候補著者をランク付けし、最も可能性の高い著者を特定する。
• 交差検証とベンチマークデータセットを用いて、著者属性特定およびジャンル分類の両タスクで手法をテストする。

実験結果

リサーチクエスチョン

• RQ1 カオスゲーム表現は、著者固有のパターンを保持する画像ベースの特徴にテキストスタイルを効果的に変換できるか？
• RQ2 標準ベンチマークにおいて、提案手法のCGRベースのアプローチは、最先端の著者属性特定手法と比較してどの程度の正確性を示すか？
• RQ3 言語固有のチューニングなしに、英語とポルトガル語のような異なる言語間で、この手法がどの程度一般化可能か？
• RQ4 CGRから得られる画像ベースの特徴量は、改ざん検出用にコンactかつ信頼性の高いデジタルフィンガープリントとして機能できるか？
• RQ5 メールやブログ投稿で見られるような短いテキストにおいても、この手法は高い性能を維持するか？

主な発見

• ロジスティック回帰（LR）を分類器として用いた場合、連邦論文における正しい著者の特定に82％の正確性を達成した。
• テストケースの93％において、正しい著者はトップ4の予測候補に含まれていた。
• FTT+PCA手法はジャンル分類で82.5％の正確性を達成し、9.25％のケースで正しいジャンルが2番目の推定結果として得られた。
• FTT+PCA手法は、1テキストあたり28次元のコンパクトな特徴ベクトルを生成し、改ざんスクリーニングにおけるデジタルフィンガープリントとして適している。
• このアプローチはポルトガル語コーパスにおいても優れた性能を示しており、最小限の調整で多言語への応用が可能である可能性を示している。
• 1,000文字程度の短いテキストに対しても、妥当な正確性を維持したため、実世界の匿名デジタルコンテンツへの適用可能性が示された。