About this role
Hintergrund und Motivation Die Autorschaftsverifikation (AV) befasst sich mit der Frage, ob zwei Texte vom selben Autor/Autorin verfasst wurden. Obwohl es sich dabei um ein vergleichsweise junges Forschungsgebiet handelt, wurden viele etablierte AV-Verfahren bereits vor dem Aufkommen großer Sprachmodelle (LLMs) entwickelt. In den vergangenen Jahren sind zahlreiche neue, auf LLMs basierende Ansätze zur Autorschaftsverifizierung entstanden. Dennoch zeigen klassische Verfahren, abhängig von Aufgabe und Korpus, weiterhin eine konkurrenzfähige Leistung. Bislang ist jedoch nur wenig untersucht, inwiefern sich bestehende klassische Verfahren durch den Einsatz von LLMs weiterentwickeln oder anpassen lassen.
Besonders interessant sind hierbei kompressionsbasierte AV-Verfahren wie OCCAV (1), COAV (2) oder NNCD (3). Diese basieren auf statistischen Kompressionsmodellen, deren Funktionalität prinzipiell durch moderne LLMs ersetzt oder erweitert werden könnte. Ziel Ziel der Arbeit ist es, für mehrere klassische AV-Verfahren zu untersuchen, inwieweit zentrale Komponenten durch LLMs ersetzt oder ggf. ergänzt werden können. Ein besonderer Schwerpunkt liegt auf kompressionsbasierten Verfahren. Dabei sollen die von LLMs bereitgestellten Next-Token-Wahrscheinlichkeiten anstelle konventioneller Kompressionsmodelle verwendet und in bestehende AV-Methoden integriert werden.
Darüber hinaus soll untersucht werden, welcher Zusammenhang zwischen der Modellierungs- bzw. Kompressionsqualität eines LLMs und der resultierenden Leistung des AV-Verfahrens besteht. Ergebnisse aus verwandten Aufgaben deuten darauf hin, dass dieser Zusammenhang nicht notwendigerweise monoton ist (4).
- Erwartete Ergebnisse Im Rahmen der Arbeit sollen mehrere klassische AV-Verfahren konzeptionell auf den Einsatz von Large Language Models übertragen und prototypisch implementiert werden.
- Die entwickelten Varianten sollen anschließend auf mehreren geeigneten AV-Korpora evaluiert und mit den jeweiligen klassischen Verfahren verglichen werden.
- Dabei sollen insbesondere die Auswirkungen unterschiedlicher LLMs und ihrer Modellierungsqualität auf die Verifikationsleistung analysiert werden.
- Hier sorgst Du für Veränderung Forschen und Implementieren von neuartigen Machine Learning Ansätzen Selbstkritische Evaluierung der gefundenen Ergebnisse Präsentieren der Ergebnisse Anfertigen eines Projektberichts in Form einer Bachelorarbeit Hiermit bringst Du Dich ein Sehr gute Studienleistungen mit einer Durchschnittsnote von maximal 2,2 Kenntnisse im Bereich Machine Learning, NLP, Kompression/Kodierung Gute Python Kenntnisse sind zwingend erforderlich und werden im Interview geprüft Wissenschaftliches Interesse und Interesse an aktuellen Forschungsprojekten Was wir für Dich bereithalten Selbstständige Arbeitszeiteinteilung Einblicke in das Schnittfeld von akademischer Forschung und industrieller Anwendung.
Quellen
- (1) Halvani, O., Graner, L., Vogel, I. (2018). Authorship Verification in the Absence of Explicit Features and Thresholds. In: Pasi, G., Piwowarski, B., Azzopardi, L., Hanbury, A. (eds) Advances in Information Retrieval. ECIR 2018. Lecture Notes in Computer Science(), vol 10772. Springer, Cham. https://doi.org/10.1007/978-3-319-76941-7_34
- (2) Halvani, Oren, Christian Winter, and Lukas Graner. “On the usefulness of compression models for authorship verification.” Proceedings of the 12th international conference on availability, reliability and security . 2017.
- (3) Veenman, C.J., Li, Z.: Authorship Verification with Compression Features. In: Working Notes for CLEF 2013 Conference , Valencia, Spain, September 23–26, 2013 (2013)
- (4) Hurwitz J, Nicholas C, Raff E. Large language models and normalized compression distance: better compression yet worse accuracy.
In: ECAI 2025: 28th European Conference on Artificial Intelligence 25-30 Wir wertschätzen und fördern die Vielfalt der Kompetenzen unserer Mitarbeitenden und begrüßen daher alle Bewerbungen – unabhängig von Alter, Geschlecht, Nationalität, ethnischer und sozialer Herkunft, Religion, Weltanschauung, Behinderung sowie sexueller Orientierung und Identität. Schwerbehinderte Menschen werden bei gleicher Eignung bevorzugt eingestellt. Unsere Aufgaben sind vielfältig und anpassbar – für Bewerber*innen mit Behinderung finden wir gemeinsam Lösungen, die ihre Fähigkeiten optimal fördern.
Mit ihrer Fokussierung auf zukunftsrelevante Schlüsseltechnologien sowie auf die Verwertung der Ergebnisse in Wirtschaft und Industrie spielt die Fraunhofer-Gesellschaft eine zentrale Rolle im Innovationsprozess. Als Wegweiser und Impulsgeber für innovative Entwicklungen und wissenschaftliche Exzellenz wirkt sie mit an der Gestaltung unserer Gesellschaft und unserer Zukunft.
Bereit für Veränderung?
Dann bewirb Dich jetzt, und mach einen Unterschied! Nach Eingang Deiner Online-Bewerbung erhältst Du eine automatische Empfangsbestätigung. Dann melden wir uns schnellstmöglich und sagen Dir, wie es weitergeht. Fraunhofer-Institut für Sichere Informationstechnologie SIT www.sit.fraunhofer.de Kennziffer: 86067 Bewerbungsfrist: