CHiPS：ルーマニア語テキスト向け軽量著者推定手法——文字ヒストグラムと位置信号の活用
研究者らは、ルーマニア語テキスト向けの軽量な文字レベルの著者推定手法CHiPSを提案した。この手法は、文字ヒストグラム分類器（CH-SVM）と位置信号分類器（FFT12-LR）を組み合わせ、トークン化、構文解析、事前学習言語モデル、Transformerのファインチューニングを一切必要としない。閉じた集合実験では、CHiPS-Fは400ファイルのデータセットで0.9310の精度を達成したが、著者らは、その貢献は最高の分類性能を主張することではなく、厳格なリーク管理下で制限された透明な文字証拠がどこまで有効かを探ることにあると強調している。
arXivに発表された研究で、ルーマニア語テキストを対象とした軽量な著者推定手法CHiPSが提案された。この手法はSanda-Maria Avram氏とGeorge C. Țurcaș氏によって開発され、複雑な深層学習や自然言語処理技術を用いず、単純で透明性の高い文字特徴による著者識別を目指している。
CHiPS手法は2つの補完的な要素から構成される。CH-SVMは1文字の周辺分布に基づく文字ヒストグラム分類器であり、FFT12-LRは選択された文字や句読点クラスをインパルス系列（文字位置上のバイナリ指示系列）として表現し、フーリエ/ウェルチスペクトル記述子を抽出する位置信号分類器である。研究者らはさらに、リークセーフな決定レベルの融合バリアントであるCHiPS-Fと、オプションのトップ5リスト再ランカー（アウトオブフォールド予測のみで学習）も報告している。この手法はトークン化、構文解析、事前学習言語モデル、Transformerのファインチューニングを必要とせず、ヒストグラム成分では文字n-gram特徴（n≥2）を避けている。
実験は閉じた集合設定で行われ、テストテキストの真の著者は必ず訓練データの候補著者の中に含まれる。ロックされたグループ化ROSTデータセット（392のソーステキストグループからの400ファイル、10著者）において、ソーステキストレベルの評価とグループ化5分割モデル選択により、CHiPS-Fは0.9310の精度と0.9341のマクロF1を達成した。しかし研究チームは、制限のない文字2-5グラムTF-IDF SVM比較手法が同じテストセットで1.0000の精度とマクロF1を達成したことから、本研究の貢献は最良の分類性能を主張することではなく、厳格なリーク管理下で制限された透明な文字証拠がどこまで有効かを探ることにあると述べている。
補助データセットROStories-cleaned（1240のソーステキストグループからの1248ファイル、19著者）では、同じ実験プロトコルでCHiPS-Rは0.8919の精度と0.8708のマクロF1を達成した。これらの結果は、最も基本的な文字レベルの特徴だけでも、適切な実験設計の下で競争力のある著者推定結果が得られることを示しており、リソースが限られている状況や高い解釈可能性が必要な場面での著者推定技術の応用に示唆を与える。