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。

本研究探讨了生成性人工智能在自动生成法国总统演讲稿中的风格特征。通过比较ChatGPT生成的演讲与几位总统的年终致辞，发现其在名词和标准化句子使用上过度，而动词、代词和副词使用不足，显示出与真实演讲的显著差异。

本文介绍了一种名为CCLAP的中国山水画生成方法，结合潜在扩散模型和新数据集CLAP，取得了艺术构图和概念的先进表现。同时，研究探讨了中文书法生成、风格迁移及高效艺术风格转换框架ArtBank，展示了在生成质量和专家评估上的优越性。

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。

本文综述神经文本生成中的作者归属与模糊化研究，指出传统方法存在局限，并探讨匿名性与隐私问题。研究涵盖集成学习混淆、隐蔽性评估、多语言机器文本检测对抗、神经网络风格分析及DeepStyle等方法，发现现有混淆易被检测，同形异义攻击尤为突出，需提升鲁棒性与隐蔽性。