零样本作者身份归属的作者表征策略：基于 LLM 与嵌入方法的比较研究

基于摘要分析。该研究考察零样本 Authorship Attribution（AA）中如何表征作者的细粒度写作风格，比较仅标签提示与三种作者表征策略，并提出结合候选空间缩减和嵌入维度选择的两阶段 LISA 归属框架。 方法方面，仅标签基线、代表性写作样本和 LLM 生成的风格描述均通过 LLM 提示完成归属；基于 LISA 的方法则使用风格嵌入与余弦相似度。研究还考察提示设计的影响。摘要将零样本条件界定为没有任务特定监督，但作者表征所用样本的来源、数量及其与测试文本的关系尚未验证；两阶段框架的候选筛选规则、维度选择依据和具体流程也需查阅全文。 作者报告，在其评估条件下，仅标签的零样本 AA 效果不佳，引入作者特定表征可持续改善归属表现；两阶段 LISA 框架在所比较方法中取得最强的整体表现。作者报告，LLM 生成的风格描述能够提供更紧凑的作者表征，但会牺牲部分归属性能。摘要未提供数据集、具体 LLM、评价指标、数值结果或数据划分，实验协议、消融及统计信息尚未验证。作者据此认为，当前开源 LLM 若缺乏更有效的表征学习，仍不足以支持稳健归属；该结论的模型覆盖范围与跨语料适用性需进一步核对。 平台推测（待验证）：可迁移的机制假设是，先缩减候选空间、再选择有区分力的嵌入维度，可能帮助处理 EEG 表征中的冗余与个体差异；但原任务依赖作者参考文本及风格嵌入，并不等价于 EEG 的时序信号和任务标签。候选筛选与相似度判别可作为借鉴模块，编码器、参考表征及维度选择规则需要改造。低信噪比、跨被试或通道差异可能导致正确候选被提前排除，小数据也可能使维度选择不稳定。一个可检验的小实验是在固定 Cross-subject 划分下，对比全维度相似度判别与两阶段流程，核对筛选后的正确类别保留率及最终 Accuracy，并确保选择规则不使用测试标签。相关 EEG 工作尚未检索确认。