Pseudpocalypse
Pseudpocalypse (dynomight.net)
要約
インターネット上に異なる名前で大量のテキストを投稿すると、そのテキスト自体を使って投稿者のアイデンティティをリンクできるという仮説が提示されています。これは、書き込みに残される統計的な「指紋」によって可能になると考えられており、将来的には匿名でのブログ執筆が困難になる「シュードポカリプス」と呼ばれる状況が到来する可能性が論じられています。
全文翻訳
疑似匿名性の終焉(Pseudpocalypse)
インターネット上に異なる名前で大量のテキストを公開した場合、そのテキストのみを用いてそれらのアイデンティティをリンクできるという仮説があります。これは、書くものすべてに残される統計的な「指紋」によって可能になると考えられます。
もし、誰かが書いたばかりの新しいテキストを貼り付けると、その書き手が過去にどのような名前で公開したテキストもすべてリンクしてくれるウェブサイトがあったらどうでしょうか。それは完璧ではないかもしれませんが、かなり正確でしょう。私の知る限り、そのようなウェブサイトはまだ存在しませんが、それが可能になり、すぐに容易になると私は予想しています。これは疑似匿名でのブログ執筆にいくらかの困難をもたらすでしょう。
注: このエッセイの大部分は2025年半ばに書かれました。その後、私が愚かにも1年間、皆さんが読むことのないであろう定理の記述に時間を費やしました[1]。その間に、LLMはテキストから著者を推測するのが格段に上手くなりました。(この投稿の下書きの最初の1000語を与えれば、Claude 4.8はそれが私だとわかります。)それでも、私たちはまだ始まったばかりだと考えています。ますます多くの、そしてより obscure な書き手が、ますます少ないテキスト断片から特定されるようになるでしょう。人々が異なる文体や無関係な主題について書いていても、このことは当てはまると予想しています。そして、私がこれまでに仮名で書いたすべてが、私の本名とリンクされるようになるでしょう[2]。
より強力な仮説は、私たちが一種の汎用的な疑似匿名性の終焉に向かっているということです。おそらく将来、あなたが本質的にあらゆる高帯域幅チャネルを通じて世界とやり取りする場合、あなたは自分自身を特定することになるでしょう。例えば、公共の場でマスクを着用し、声を変えてからのみ声を発するとします。それでも、あなたの体型、歩き方、または化学的シグネチャを使用して特定されるでしょう。あるいは、あなたの車がどこでも追跡されるのが嫌なので、携帯電話を持ち歩くのをやめ、法律でナンバープレートを禁止させたとします。問題ありません。車の微細な傷やエンジンからのユニークな打音によって追跡されるでしょう。あるいは、インターネットでの追跡が嫌なので、ブラウザプロファイルをロックダウンし、Moneroのみで購入し、3つのVPNを経由して接続するとします。それでも構いません。ページをスクロールする指の動きで特定されるでしょう。私たちは皆、あまりにもユニークであり、情報理論的な限界が私たちに迫っています。
最初の断片
最初の原則から始めましょう。誕生時に、すべての人にランダムなバイナリストリングが割り当てられると想像してください。インターネットに何かを投稿するたびに、その文字列で署名することが義務付けられるとします。文字列が非常に短い場合、例えば 0110 のような場合、他の多くの人があなたと同じ文字列を持つことになります。しかし、文字列が非常に長い場合、あなたの文字列はほぼ確実にユニークであり、すべての仮名をリンクすることは容易になります。
移行点はどこでしょうか?著者が現在生きており、アングロ圏のどこかに住んでいることだけを知っている場合、それは約29ビットです。なぜなら、K桁の場合、2ᴷ通りの可能なバイナリストリングがあり、K = 28.86 の場合、2ᴷ ≈ 490,000,000 は現在生きているアングロ圏の住民の数です。文字列が29ビット未満の場合、他の誰かがあなたの文字列を共有する可能性が高いです。29ビットより多い場合、あなたの文字列はほぼユニークです。
私たちは(まだ?)書いたものに不変の政府発行文字列で署名する必要はありません。しかし、あなたが書く方法は、あなたのトーン、個性、言葉遣いなどによって、あなたに関する多くの手がかりを提供します。
理論的には、十分に書けば誰のアイデンティティもリンクできるはずだと私は考えています。再び、誰もが誕生時にランダムなバイナリストリングを割り当てられると想像してください。しかし、あなたが書くものにあなたの文字列で署名する必要がある代わりに、単語を書くたびに、あなたの文字列のランダムなビットが明らかにされ、メッセージに署名として追加される可能性があります。例えば、bit[129]=1 という署名が追加され、129番目の位置の文字列の値が1であることを示すかもしれません。
あなたの文字列を、あなたのライティングスタイルのすべての癖を表すものと考え、ビットが明らかにされることを、あなたが好みを書くときに表すものと考えてください。例えば、ビット18は、あなたがエムダッシュを、醜いスペース — このように — を付けて書くか、スペースなしで書くか — このように — を好むかを示すかもしれません。エムダッシュを使用すると、そのビットが明らかにされます。
したがって、あなたが仮名Aでかなりの量の文章を書き、完全なビット文字列が明らかにされたと想像してください。それはおそらく次のようになります。
仮名A:
110000001111001101110000100001
010100100101011110111001101000
100111110010101001101010111010
次に、仮名Bで書き始めるとします。最初は、どのビットも知られていません。
仮名B:
??????????????????????????????
??????????????????????????????
??????????????????????????????
しかし、ゆっくりと、あなたはいくつかのビットを漏らし始めます。
仮名B:
?????00???1????1????????1??0??
?????01??1?????????11????01???
???1??????1???10??????????????
そして最終的には、あなたは多くのビットを漏らすでしょう。
仮名B:
???0?00?1?11??110??1????10?0??
?10?001?0101?11???11100?101???
???11?1??010??10?1?01??011????
ここで、「攻撃者」の視点から、AとBが同じ人物かどうかを知りたいと考えてみましょう。彼らは上記のビットのみを見ており、他の人に関する情報は一切持っていないと仮定します。すると、攻撃者が知っていることは次のとおりです。
- AとBはK個の重複するビットを明らかにしましたが、それらはすべて一致しています。
- 異なる人々は、任意の明らかにされたビットで一致する確率が50%です。
- 同じ人物は、任意の明らかにされたビットで一致する確率が100%です。
- 人口は490,000,000人です。
直感的には、Kが5だった場合、すべてのビットが一致するという事実はそれほど多くを証明しないでしょう。なぜなら、4億9000万人の人々がいる中で、偶然それらのビットで一致する人がたくさんいるからです。しかし、Kが70だった場合、たとえそのような巨大なプールから始まっても、2人の異なる人がそれらすべてを共有する可能性は非常に低いでしょう。判明したのは、N人の他の人がランダムなビットを持っている場合、そしてあなたがK個のビットを選ぶ場合、それらすべてに一致する人が存在する確率は 1 - (1-2⁻ᴷ)ᴺ であるということです。Nが4億9000万の場合、それは次のようになります。
[画像]
ほら、また29が出てきました。(数学は素晴らしいと思いませんか?)一般に、遷移は約 K = log₂(N) となる K が 2ᴷ ≈ N となる数で起こります。
仮名Bで29ビットよりかなり少ないビットを明らかにすると、それらすべてに一致する他の誰かが存在する可能性はほぼ保証されます。しかし、29ビットよりかなり多いビットを明らかにすると、それらすべてに一致する他の誰かが存在する可能性はほとんどありません。したがって、攻撃者は本質的にAとBが同じ人物であることを知っています。そして強調しますが、彼らは他の4億9000万人の人々を見る必要なしにそれを知っています。
もちろん、私たちは文字通り、書くときに不変の特徴文字列のビットを漏らすわけではありません。しかし、モデルをより現実的にすることができます。そして、同じ問題が残ります。テキストが書き手に関するノイズの多い情報しか提供しないことを反映させたい場合、明らかにされる前にビットにノイズを追加できます。一部のライティングスタイルが他のスタイルよりも一般的であることを反映させたい場合、ビット文字列の分布を非一様にする可能性があります。特定の癖が他の癖よりも明白であることを反映させたい場合、異なるビットに異なる明らかにされる確率を与えることができます。これらすべてが数学をより複雑にします。しかし、基本的な結論は変わりません。あなたのライティングスタイルに少なくとも29ビットの情報が含まれており、十分な量の文章を書けば、あなたは終わりです。
それが、疑似匿名性の終焉が可能であるという私の議論です。しかし、それがいつか起こりうるという主張だけでは不十分です。それがすぐに起こる可能性が高く、必要なテキスト量はそれほど多くないと思います。その議論をするためには、具体的に考える必要があります。人々が文章に反映させる特徴は何ですか?それらの特徴はいくつのビットの情報を含んでいますか?それらのビットは、書かれたテキストからどの程度正確に推測できるでしょうか?
注: これが情報理論の講義にならないように、ほとんどの場合「ビット」や「情報」といった言葉を100%正確ではないまま使用します。これは、これを読んでいるほとんどの人がビットの定義に固執するわけではなく、また、過度に技術的になると全体像が不明瞭になるためです。情報理論の愛好家である、または私が何をしているかを知っていることに懐疑的な場合は、以下の「懐疑的な情報理論愛好家のためのセクション」を参照してください。それまでは、あなたの直感を使用し、信頼してください。
特徴空間
私が上記の言葉を書いたこと以外、私について何も知らないとしましょう。そして、私の年齢、宗教、職業を推測しなければならないとします。あなたは推測できるでしょう?完璧ではありませんが、その言葉を読めない場合よりはずっと良いでしょう。したがって、どういうわけか、それらの言葉には私の人口統計学的特徴に関する情報が含まれています。そこで、テキストからある程度以上推測できる類似のもののリストを作成しようとしました。以下にまとめます。
- 年齢
- 教育レベル
- 民族性
- 家族構成
- 収入
- 結婚歴
- 精神的健康
- 母語
- 職業
- 身体的健康
- 政治的傾向
- 地域
- 宗教的所属
- 性別
同じ精神で、上記の言葉を読んだだけで、私がどれほど外向的か、または誠実かを推測できますか?これも完璧ではありません。(このブログを読む人に会うと、彼らは私が直射日光に耐えられることにいつも驚いているようです。)しかし、それでも、あなたはうまくやれると確信しています。したがって、再び、これらの言葉には私の性格に関する情報が含まれています。
性格にはどのような特徴がありますか?HEXACOモデルは6つを挙げています。すなわち、誠実さ・謙虚さ、感情性、外向性、協調性、誠実性、経験への開放性です。これらすべては、十分に長い文章サンプルから合理的な精度で推測できると私は推測します。しかし、もっと推測できるでしょうか?これらの6つの要因のそれぞれについて、HEXACOモデルは4つの「側面」を挙げています。抽象的に言えば、テキストから24の異なる性格特徴を推測しようとすることはばかげていますが、それらを見てみましょう。
- 誠実さ・謙虚さ
- 誠実さ
- 公平さ
- 貪欲回避
- 謙虚さ
- 感情性
- 臆病さ
- 不安
- 依存性
- 感傷性
- 外向性
- 社会的自尊心
- 社会的大胆さ
- 社交性
- 活気
- 協調性
- 寛容さ
- 優しさ
- 柔軟性
- 忍耐力
- 誠実性
- 組織力
- 勤勉さ
- 完全主義
- 用心深さ
- 経験への開放性
- 美的評価
- 好奇心
- 創造性
- 非伝統性
特定の人物について考えると、これら24の要素が実在するものであり、テキストから推測することが可能であると納得できると思います。(例えば、あなたのお気に入りの実存的不安 + 科学ブロガーは、他の誠実さ・謙虚さの側面よりも「謙虚さ」のスコアが低いかもしれません。)異なるサブファクターは確かに相関していますが、完全に相関しているわけではありません。
もちろん、人々の文章から学ぶ最大のことは、彼らがどのように書くかということです。彼らは無意味に不定詞を分割する傾向がありますか?ハイフンで接続された単語を使用しますか?彼らは、誤って、副詞句を配置しますか?
文章スタイル特徴を用いて著者を特定するという考えは、少なくとも1440年まで遡ります。その時、ロレンツォ・ヴァッラは、コンスタンティヌス帝がカトリック教会にローマ帝国を寄贈したとされるコンスタンティヌスの寄進状が、コンスタンティヌス帝の死後400年からの俗語を使用しており、したがって偽造であったことを証明しました。1851年、オーガスタス・デ・モルガンは、平均単語長が同じ著者にとって安定している傾向があることを観察しました。最初の「現代」の試みは1964年に、モステラーとウォレスがInference in an Authorship Problemを出版したように見えます。
この研究は、フェデラリスト論文の著者問題の解決を試みています。[…]
単語数は、識別に使用される変数です。書かれているトピックは、単語の使用率に大きく影響するため、単語の選択には注意が必要です。war、executive、legislatureのようなより意味のある単語とは異なり、an、of、uponのような言語のフィラー単語、そしてより一般的には、冠詞、前置詞、接続詞は比較的安定した率を提供します。
これらのカウントの分布を調査した後、著者は分析を実行します […] ベイズ法に基づいています。著者問題に関する結論は、紛争中の12の論文はハミルトンではなくマディソンが書いたということです。
わかりましたか?つまり、warという単語の使用は、主にあなたが戦争について話しているかどうかによって決まります。しかし、uponの使用は、主にあなたがuponという単語をどれだけ好むかによって決まります。これらの種類の統計を使用して、彼らは紛争中のフェデラリスト論文はマディソンによって書かれたに違いないと結論付けました。
そこで、異なる主題について書くときに、著者の間で安定していると信じられている他の文章スタイル特徴を探すために調査を行いました。多くの特徴が見つかりました。あまりにも多かったため、意味のあるグループに整理するのに苦労しました。
低レベルの頻度:
- 単語長
- 文長
- 段落長
- 句読点の頻度(カンマ、コロン、ダッシュ、括弧)
- 関数語の頻度(the、of、and、to)
- 副詞の頻度
- 強調語(very、really、quite、pretty、so)
- 証拠マーカー(apparently、evidently、obviously)
- 弱化語(somewhat、fairly、rather)
- 代名詞の使用
- 全体的な好み(I/we vs. you vs. he/she/they)
- 三人称単数の一人称好み(he、she、he or she、they、one)
- 助動詞(can、could、might、must、should、will、would)
- 曖昧表現(perhaps、maybe、possibly、probably)
- 接続詞(and、but、yet、so)
- 知られている安定した比率(the/a、this/that、these/those、I/me/my)
- 文字Nグラム(3グラムおよび4グラム)
- 単語Nグラム(しばしば3グラム)
語彙的特徴:
- 語彙サイズ
- 語彙の多様性 / タイプトークン比(異なる単語数 ÷ 単語数)
- 珍しい単語の頻度
- 意味密度
- ディスコースマーカーの位置、組み合わせ(So、anyway、so anyway)
- 短縮形および頭字語の使用
- ラテン語系 vs. ゲルマン語系単語の好み(The majestic creature traversed the terrain vs. the mighty beast strode across the land。)
構文的特徴:
- 構文の複雑さ
- 下位化指数
- 平均構文解析ツリーの深さ
- 受動態の使用。
- 名詞化(She was shocked I ate the pizza vs. My pizza consumption shocked her)
- 動詞の時制と相(I walk vs I walked vs I was walking vs I have walked)
- 文構造の好み:
- 分岐の好み(Cursed everyone had a good time when Alice taught some cool dogs I met and brought to dinner to juggle vs. 不器用だが読みやすい I met some dogs and they were cool and I took them to dinner and Alice taught them to juggle and and everyone had a good time。)
- 副詞節の位置(Suddenly I was hungry vs. I was, suddenly, hungry vs. I was hungry, suddenly)
- 文末の重み(Your plan won’t work because of the dyslexic bears vs. Dyslexic bears mean your plan won’t work.)
- 多重接続(I like dogs, cats, and ferrets vs. I like dogs and cats and ferrets。)
- 繰り返し / 構文構造の破壊。
スタイル特徴:
- 口調 / フォーマルさ。
- 文長のパターン(長/短/長/短 vs. 長/長/短/短)
- 強調音節間隔の好み(例:弱強格 vs. 強弱格)
規則の好みに関する特徴:
- 小さな句読点(I laughed—you cried vs. I laughed — you cried、