[논문 리뷰] AuthorMix: Modular Authorship Style Transfer via Layer-wise Adapter Mixing

Sarubi Thillainathan, Ji-Ung Lee외 2명|arXiv (Cornell University)|2026. 03. 24.

Authorship Attribution and Profiling인용 수 0

한 줄 요약

AuthorMix는 고자원(author) 작가들에서 학습된 스타일-특정 LoRA 어댑터의 층별 혼합을 이용해 모듈식 스타일 전송 프레임워크를 도입하며, 적은 샘플로도 새로운 대상 작가에 빠르게 적응하고, 의미를 보존하면서 저자원 대상에서 베이스라인 및 GPT-5.1을 능가한다.

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.

연구 동기 및 목표

• 학습 비용을 줄인 유연하고 대상에 특화된 저자 스타일 전송을 유도한다.
• 어댑터를 사용해 새로운 대상 스타일에 빠르게 적응할 수 있는 모듈형 프레임워크를 개발한다.
• 데이터 효율적인 학습으로 대상 작가의 스타일을 전이하되 의미를 보존한다.
• 어댑터 혼합을 통해 스타일 전송에 대한 해석 가능한 층별 제어를 제공한다.

제안 방법

• 고자원 작가 집합에서 스타일-특정 LoRA 어댑터를 훈련한다.
• 기존 어댑터로부터 대상 스타일을 구성하기 위해 층별 어댑터 혼합을 학습한다.
• 적은 양의 대상 스타일 데이터만으로 새로운 대상 스타일에 빠르게 적응하도록 한다.
• 강력한 베이스라인과 비교 평가를 수행하고 의미 보존의 개선점을 식별한다.
• 저자원 대상에 대해 SoTA 베이스라인 및 GPT-5.1과 비교한다.

실험 결과

연구 질문

• RQ1 저자원 대상 작가에 대해 기존 베이스라인과 비교했을 때 AuthorMix의 성능은 어느 정도인가?
• RQ2 층별 어댇터 혼합이 강력한 스타일 전송을 달성하면서 의미 보존을 개선하는가?
• RQ3 사전 학습된 어댑터를 갖춘 모듈식 구성이 제한된 데이터로도 새로운 대상 스타일에 빠르게 적응하도록 하는가?
• RQ4 자동 평가와 인간 평가에서 AuthorMix가 SoTA 스타일 전송 방법과 어떻게 비교되는가?

주요 결과

• AuthorMix는 저자원 대상에서 기존 SoTA 스타일 전송 베이스라인을 능가한다.
• AuthorMix는 GPT-5.1을 저자원 대상에서 능가한다.
• 이 프레임워크는 전체 점수에서 최고를 달성하고 자동 평가와 인간 평가 모두에서 의미 보존을 크게 향상시킨다.