Masterarbeit: Robustheit von Autorschaftsverifikation gegenüber Adversarial Obfuscation

Hintergrund/Motivation: Autorschaftsverifikation (AV) wird in Bereichen wie Forensik, Plagiatserkennung und Fake-News-Detektion eingesetzt, um den wahren Urheber eines Textes zu identifizieren. Ziel der AV ist es, zu klassifizieren, ob zwei oder mehr Texte von demselben Autor verfasst worden sind (Y) oder nicht (N). Ein großes Problem besteht darin, dass Autor:innen ihren Schreibstil absichtlich verschleiern können (Adversarial Obfuscation). Solche Angriffe umfassen unter anderem Synonymersetzungen, Paraphrasen, maschinelle Übersetzungen oder den Einsatz von Sprachmodellen zur automatischen Umformulierung. Diese Angriffe führen häufig dazu, dass AV-Systeme falsche Entscheidungen treffen, da oberflächliche stilistische Marker verschwinden. Während aktuelle Systeme in kontrollierten Szenarien hohe Genauigkeit erreichen, fehlt es an systematischen Untersuchungen, wie robust sie gegenüber gezielten Verschleierungen sind. Ziel: Das Ziel dieser Arbeit ist es, verschiedene Angriffe zur Stilverschleierung zu untersuchen und ein AV-System zu entwickeln, welches möglichst robust dagegen ist. Dazu soll ein systematisches Framework aufgebaut werden, das: • Texte mit verschiedenen Obfuscation-Methoden transformiert, • den Einfluss dieser Angriffe auf gängige AV-Modelle misst, • und ein robustes Verfahren entwirft (z.B. mittels adversarial training oder kontrastivem Lernen), das diese Angriffe besser abwehrt. Ergebnisse: Die Arbeit soll aufzeigen, wie anfällig bestehende AV-Ansätze gegenüber unterschiedlichen Verschleierungsstrategien sind und welche Ansätze besonders robust bleiben. Darüber hinaus wird ein adversarial-trainiertes Modell vorgestellt, das die Robustheit signifikant verbessert. Die Ergebnisse leisten einen Beitrag zur Entwicklung sicherer, praxisnaher AV-Systeme und liefern eine Grundlage für zukünftige Forschung zu adversarial robustness im Bereich der Stilometrie.