[논문 리뷰] Authorship Attribution Using the Chaos Game Representation

Daniel Lichtblau, Cătălin Stoean|arXiv (Cornell University)|2018. 02. 14.

Authorship Attribution and Profiling참고 문헌 46인용 수 3

한 줄 요약

이 논문은 텍스트를 16자 문자 알파벳 매핑을 사용한 혼돈 게임 표현(CGR)을 통해grayscale 이미지로 변환한 후, 기계학습 분류기를 적용하여 저자를 식별하는 새로운 저작권 할당 방법을 제안한다. 이 방법은 연방지문( Federalist Papers)에서 경쟁적인 정확도—82%의 top-1 및 93%의 top-4 성능—을 달성하여 영어 및 포르투갈어 데이터셋 전반에서 뛰어난 성능을 보이며, 디지털 지문화 및 표절 탐지에 응용 가능성을 보여준다.

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.

연구 동기 및 목표

• 이메일, 블로그, 포럼과 같은 디지털 환경에서 익명 텍스트의 저작권 할당 문제를 해결한다.
• 기존의 어휘적 및 문법적 방법의 한계를 극복하기 위해 텍스트 스타일의 시각적 표현을 도입한다.
• 사전 또는 언어학적 전처리 없이 라틴 알파벳 기반 텍스트 전반에 적용 가능한 언어에 관계없는 방법을 개발한다.
• CGR 기반 이미지를 사용하여 표절 탐지 및 텍스트 신원 확인을 위한 디지털 지문으로의 가능성을 탐색한다.
• 기본 데이터셋, 특히 연방지문과 포르투갈어 어휘집을 활용하여 일반화 및 강건성을 평가한다.

제안 방법

• 문자 빈도를 균형 있게 유지하기 위해 청각적 및 철자적 동치 클래스를 활용해 원본 텍스트를 16자 문자 알파벳으로 압축한다.
• 각 텍스트 청크를 16자 문자 순서에 기반해 2차원 회색조 이미지로 변환하기 위해 혼돈 게임 표현(CGR)을 적용한다.
• 이미지 차원을 28개 특징으로 감소시키기 위해 FTT(이미지의 푸리에 변환) 및 PCA(주성분 분석)와 같은 특징 추출 기법을 사용한다.
• 이미지 기반 특징을 기반으로 k-NN 및 로지스틱 회귀와 같은 다수의 기계학습 분류기를 훈련시어 저작권을 예측한다.
• 특징 공간에서 거리 기반 점수(예: 역수 거리)를 활용해 후보 저자를 순위 매기고 가장 가능성 있는 저자를 결정한다.
• 교차 검증 및 기준 데이터셋을 사용하여 저작권 할당 및 장르 분류 작업 모두에 대해 방법을 테스트한다.

실험 결과

연구 질문

• RQ1 혼돈 게임 표현(CGR)은 저자 고유의 패tern을 유지하는 이미지 기반 특징으로 텍스트 스타일을 효과적으로 변환할 수 있는가?
• RQ2 기본 기준에서 최첨단 저작권 할당 기법과 비교할 때 제안된 CGR 기반 방법은 정확도에서 어떤가?
• RQ3 언어 특화 캘리브레이션 없이도 영어 및 포르투갈어와 같은 다양한 언어 간에 이 방법이 얼마나 일반화되는가?
• RQ4 CGR에서 유도된 이미지 기반 특징은 표절 탐지에 사용 가능한 압축적이고 신뢰할 수 있는 디지털 지문으로 기능할 수 있는가?
• RQ5 이메일이나 블로그 게시물에서 흔히 볼 수 있는 짧은 텍스트에서도 이 방법은 높은 성능을 유지하는가?

주요 결과

• 로지스틱 회귀(LR) 분류기를 사용했을 때, 연방지문에서 정확도가 82%로 올바른 저자를 식별했다.
• 테스트 케이스의 93%에서 올바른 저자는 상위 네 명의 후보자 중에 포함되었다.
• FTT+PCA 방법은 장르 분류에서 82.5%의 정확도를 기록했으며, 9.25%의 케이스에서 정확한 장르가 두 번째 추측으로 나타났다.
• FTT+PCA 방법은 텍스트당 압축된 28차원 특징 벡터를 생성하여 표절 스크리닝에서 디지털 지문으로 사용하기에 적합했다.
• 이 방법은 짧은 텍스트(1,000자 이상)에서도 높은 정확도를 유지하여 실제 익명 디지털 콘텐츠에 적용 가능함을 시사했다.
• 포르투갈어 데이터셋에서도 뛰어난 성능을 보이며, 최소한의 적응만으로 다국어 적용 가능성을 보여주었다.