Original title: Rozpoznávání osob s využitím stylometrické analýzy
Translated title: Person Recognition Based on Stylometry
Authors: Šimún, Samuel ; Orság, Filip (referee) ; Goldmann, Tomáš (advisor)
Document type: Master’s theses
Year: 2026
Language: eng
Publisher: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract: [eng] [cze]
Táto diplomová práca skúma stylometriu ako kognitívnu biometrickú metódu na verifikáciu autorstva, ktorej cieľom je určiť, či boli dva texty napísané tým istým autorom. Na zníženie vplyvu tematickej podobnosti je navrhnutá stratégia tvorby sémanticky agnostickej dátovej množiny, v ktorej sú pozitívne páry vytvorené zo sémanticky odlišných textov toho istého autora a negatívne páry zo sémanticky podobných textov rôznych autorov. Práca hodnotí dva prístupy založené na architektúre Transformer: enkóderové modely BERT/RoBERTa s mechanizmom ko-pozornosti a štýlovou regularizáciou a dekóderové modely Qwen3 dolaďované pomocou LoRA adaptérov. Experimenty na vlastnej dátovej množine a benchmarku PAN21 ukazujú, že najlepšie výsledky dosahuje dekóderový model Qwen3-4B trénovaný s funkciou fokálnej straty. Výsledky poukazujú na potenciál transformerových modelov pri robustnej stylometrickej verifikácii autorstva. This thesis investigates stylometry as a cognitive biometric method for authorship verification, where the goal is to determine whether two texts were written by the same author. To reduce the influence of topic similarity, a semantic-agnostic dataset construction strategy is proposed, creating positive pairs from semantically distant texts by the same author and negative pairs from semantically similar texts by different authors. The work evaluates two transformer-based approaches: encoder-based BERT/RoBERTa models with co-attention and style regularisation, and decoder-based Qwen3 models fine-tuned using LoRA. Experiments on a custom dataset and the PAN21 benchmark show that the decoder-based Qwen3-4B model trained with focal loss achieves the best performance. The results demonstrate the potential of transformer-based models for robust stylometric authorship verification.
Keywords: BERT; Co-Attention; Focal Loss; hlboké učenie; kognitívna biometria; LoRA; Qwen3; RoBERTa; strojové učenie; Stylometria; transformery; verifikácia autorstva; Authorship Verification; BERT; Co-Attention; Cognitive Biometrics; Deep Learning; Focal Loss; LoRA; Machine Learning; Qwen3; RoBERTa; Stylometry; Transformers

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/260420

Permalink: http://www.nusl.cz/ntk/nusl-777172


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Master’s theses