本研究提出了一种新方法，通过优化鲁棒的风格特征空间，可靠地检测机器生成文本。研究表明，尽管模型经过优化，检测效果依然稳定，且随着样本增多，人机文本分布可明显区分，AURA指标有助于评估其重叠程度。

本研究提出了一种创新方法，利用微调稳定扩散模型与控制网络提取工笔画风格特征。实验结果显示该模型优于传统的CycleGAN，具有高效性与潜在应用价值。

我们提出了一种新颖的仅包含编码器的变换器模型，以显著降低计算成本，并设计了内容特征提取器和风格特征提取器，用于向变换器提供纯内容和风格图像。最后，我们提出了一种名为 Puff-Net 的新型网络，即纯内容和风格特征融合网络。通过定性和定量实验证明了我们模型相比文献中的最先进模型的优势。

该研究调查了宣传语言及其风格特征，提出了PPN数据集，包括多源、多语言、多模态的新闻文章。通过人工注释实验，结果表明人工注释者能够可靠地区分两种类型的新闻。本文提出了不同的自然语言处理技术，用于识别注释者使用的线索，并将它们与机器分类进行比较。

最新大型语言模型的高质量文本生成能力引起了对其滥用的关注。机器生成文本的检测对应对此类威胁至关重要。通过全面基准测试，发现所有经过测试的作者身份混淆方法都可以导致检测逃避。