論文の概要: Continual Learning for Steganalysis

• arxiv url: http://arxiv.org/abs/2209.01326v1
• Date: Sat, 3 Sep 2022 04:49:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-07 12:34:53.244372
• Title: Continual Learning for Steganalysis
• Title（参考訳）: ステグアナリシスのための連続学習
• Authors: Zihao Yin, Ruohan Meng and Zhili Zhou
• Abstract要約: 最近のステガナリシス法は、通常、対応するペアのカバー/ステゴイメージからなるデータセット上で畳み込みニューラルネットワーク(CNN)モデルを訓練する。 これらのステガノグラフィーツールは、既存のステガノグラフィーアルゴリズムと新しいステガノグラフィーアルゴリズムの両方に対して有効であるように、CNNモデルを完全に再訓練する非効率で実用的ではない。 ステガナリシスのためのパラメータ重要度推定(APIE)に基づく連続学習手法を提案する。
• 参考スコア（独自算出の注目度）: 2.5696479100197385
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To detect the existing steganographic algorithms, recent steganalysis methods usually train a Convolutional Neural Network (CNN) model on the dataset consisting of corresponding paired cover/stego-images. However, it is inefficient and impractical for those steganalysis tools to completely retrain the CNN model to make it effective against both the existing steganographic algorithms and a new emerging steganographic algorithm. Thus, existing steganalysis models usually lack dynamic extensibility for new steganographic algorithms, which limits their application in real-world scenarios. To address this issue, we propose an accurate parameter importance estimation (APIE) based-continual learning scheme for steganalysis. In this scheme, when a steganalysis model is trained on the new image dataset generated by the new steganographic algorithm, its network parameters are effectively and efficiently updated with sufficient consideration of their importance evaluated in the previous training process. This approach can guide the steganalysis model to learn the patterns of the new steganographic algorithm without significantly degrading the detectability against the previous steganographic algorithms. Experimental results demonstrate the proposed scheme has promising extensibility for new emerging steganographic algorithms.
• Abstract（参考訳）: 既存のステガノグラフィーアルゴリズムを検出するために、最近のステグアナリシス法は、対応するペアカバー/ステゴ画像からなるデータセット上で畳み込みニューラルネットワーク(cnn)モデルを訓練する。 しかし、これらのステガ解析ツールが既存のステガノグラフィーアルゴリズムと新しいステガノグラフィーアルゴリズムの両方に対して効果的になるようにcnnモデルを完全に再訓練することは非効率的で非現実的である。 したがって、既存のステガノグラフィーモデルは、現実のシナリオでの応用を制限する新しいステガノグラフィーアルゴリズムの動的拡張性を欠いている。 そこで本研究では,steg analysisのためのパラメータ重要度推定(apie)に基づく連続学習方式を提案する。 このスキームでは、新しいステガノグラフィーアルゴリズムによって生成された新しい画像データセットに基づいてステガナリシスモデルをトレーニングすると、ネットワークパラメータを有効かつ効率的に更新し、その重要性を以前のトレーニングプロセスで評価する。 このアプローチは,従来のステガノグラフィーアルゴリズムに対する検出性を著しく低下させることなく,新しいステガノグラフィーアルゴリズムのパターンを学習するためのステガナリシスモデルを導くことができる。 実験により,新しいステガノグラフィーアルゴリズムの拡張性が期待できることを示した。

関連論文リスト

• AI-Aided Kalman Filters [65.35350122917914]
  カルマンフィルタ(KF)とその変種は、信号処理において最も著名なアルゴリズムの一つである。 最近の進歩は、古典的なカルマン型フィルタリングでディープニューラルネットワーク(DNN)を融合させる可能性を示している。 本稿では,KF型アルゴリズムにAIを組み込むための設計アプローチについて,チュートリアル形式で概説する。
  論文  参考訳（メタデータ） (2024-10-16T06:47:53Z)
• Neural Network-Based Score Estimation in Diffusion Models: Optimization and Generalization [12.812942188697326]
  拡散モデルは、忠実さ、柔軟性、堅牢性を改善した高品質なサンプルを生成する際に、GANと競合する強力なツールとして登場した。 これらのモデルの主要な構成要素は、スコアマッチングを通じてスコア関数を学ぶことである。 様々なタスクにおいて経験的な成功にもかかわらず、勾配に基づくアルゴリズムが証明可能な精度でスコア関数を学習できるかどうかは不明である。
  論文  参考訳（メタデータ） (2024-01-28T08:13:56Z)
• Learning of networked spreading models from noisy and incomplete data [7.669018800404791]
  スケーラブルな動的メッセージパッシング技術に基づく普遍的な学習手法を提案する。 このアルゴリズムは、モデルとデータに関する利用可能な事前知識を活用し、拡散モデルのネットワーク構造とパラメータの両方を再構成する。 キーモデルパラメータを持つ手法の線形計算複雑性は,アルゴリズムを大規模ネットワークインスタンスにスケーラブルにすることを示す。
  論文  参考訳（メタデータ） (2023-12-20T13:12:47Z)
• A novel approach for wafer defect pattern classification based on topological data analysis [0.0]
  半導体製造において、ウェハマップ欠陥パターンは設備維持と収量管理に重要な情報を提供する。 本稿では,欠陥パターンの形状を有限次元ベクトルとして表現する新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-09-19T11:54:13Z)
• Towards Diverse Evaluation of Class Incremental Learning: A Representation Learning Perspective [67.45111837188685]
  クラスインクリメンタル学習(CIL)アルゴリズムは、インクリメンタルに到着したデータから新しいオブジェクトクラスを継続的に学習することを目的としている。 表現学習における様々な評価プロトコルを用いて,CILアルゴリズムによって訓練されたニューラルネットワークモデルを実験的に解析する。
  論文  参考訳（メタデータ） (2022-06-16T11:44:11Z)
• Scalable computation of prediction intervals for neural networks via matrix sketching [79.44177623781043]
  既存の不確実性推定アルゴリズムでは、モデルアーキテクチャとトレーニング手順を変更する必要がある。 本研究では、与えられたトレーニングされたニューラルネットワークに適用し、近似予測間隔を生成できる新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-05-06T13:18:31Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• Bayesian graph convolutional neural networks via tempered MCMC [0.41998444721319217]
  畳み込みニューラルネットワークのようなディープラーニングモデルは、画像やマルチメディアタスクに長い間適用されてきた。 最近では、グラフで表現できる非構造化データにもっと注意が払われている。 これらのタイプのデータは、健康と医学、ソーシャルネットワーク、および研究データリポジトリでよく見られます。
  論文  参考訳（メタデータ） (2021-04-17T04:03:25Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Taming neural networks with TUSLA: Non-convex learning via adaptive stochastic gradient Langevin algorithms [0.0]
  我々は問題ランゲダイナミクス(SGLD)に基づく適切に構築された勾配アルゴリズムを提案する。 また、新しいアルゴリズムの収束特性の利用に関する漸近解析も提供する。 TUSLAアルゴリズムのルーツは、カプタメド・エウラーの発達係数を持つテーミングプロセスに基づいている。
  論文  参考訳（メタデータ） (2020-06-25T16:06:22Z)
• Fast Learning of Graph Neural Networks with Guaranteed Generalizability: One-hidden-layer Case [93.37576644429578]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データから実際に学習する上で、近年大きな進歩を遂げている。 回帰問題と二項分類問題の両方に隠れ層を持つGNNの理論的に基底的な一般化可能性解析を行う。
  論文  参考訳（メタデータ） (2020-06-25T00:45:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。