HyperStyler：通过上下文感知风格导航和超网络进行低资源作者风格转移

低资源作者风格迁移（LAST）旨在仅使用几个参考示例将文本重写为任意目标作者的风格，同时保留原始含义。现有的方法通常难以同时实现高风格保真度和语义保留，因为它们将不同的参考文献压缩到单个静态作者嵌入中，从而平均化了上下文相关的风格变化，并依赖于风格控制的隐藏表示，这将风格与内容纠缠在一起。我们提出了 HyperStyler，一种新颖的架构，它将 LAST 解耦为样式选择和样式实现。 Stylo-navigator 通过联合建模源上下文和目标作者参考来预测风格坐标，而 Stylo-hypernet 通过动态参数调制而不是隐藏状态注入来实现它们。我们在 Reddit、博客和新闻数据集上进行的实验表明，HyperStyler 始终优于先前的方法（包括基于 LLM 的方法），并且在跨领域具有稳健的泛化能力。值得注意的是，HyperStyler 实现了卓越的性能，与 T5-large 相比，附加参数少至 2.4%，同时推理速度比 LLM 快 1.8 倍以上。