論文の概要: Steganography of Steganographic Networks
- arxiv url: http://arxiv.org/abs/2302.14521v1
- Date: Tue, 28 Feb 2023 12:27:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-01 16:45:04.969242
- Title: Steganography of Steganographic Networks
- Title(参考訳): steganography (複数形 steganographys)
- Authors: Guobiao Li, Sheng Li, Meiling Li, Xinpeng Zhang, Zhenxing Qian
- Abstract要約: ステガノグラフィー(英: Steganography)は、2つの当事者間の秘密の通信技術である。
本稿では,ステガノグラフィーネットワークの新たなステガノグラフィー手法を提案する。
- 参考スコア(独自算出の注目度): 23.85364443400414
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Steganography is a technique for covert communication between two parties.
With the rapid development of deep neural networks (DNN), more and more
steganographic networks are proposed recently, which are shown to be promising
to achieve good performance. Unlike the traditional handcrafted steganographic
tools, a steganographic network is relatively large in size. It raises concerns
on how to covertly transmit the steganographic network in public channels,
which is a crucial stage in the pipeline of steganography in real world
applications. To address such an issue, we propose a novel scheme for
steganography of steganographic networks in this paper. Unlike the existing
steganographic schemes which focus on the subtle modification of the cover data
to accommodate the secrets. We propose to disguise a steganographic network
(termed as the secret DNN model) into a stego DNN model which performs an
ordinary machine learning task (termed as the stego task). During the model
disguising, we select and tune a subset of filters in the secret DNN model to
preserve its function on the secret task, where the remaining filters are
reactivated according to a partial optimization strategy to disguise the whole
secret DNN model into a stego DNN model. The secret DNN model can be recovered
from the stego DNN model when needed. Various experiments have been conducted
to demonstrate the advantage of our proposed method for covert communication of
steganographic networks as well as general DNN models.
- Abstract(参考訳): ステガノグラフィー(英: Steganography)は、2つの当事者間の秘密の通信技術である。
近年、ディープニューラルネットワーク(DNN)の急速な発展に伴い、より多くのステガノグラフィーネットワークが提案され、優れたパフォーマンスを実現することが期待されている。
伝統的な手作りのステガノグラフィーツールとは異なり、ステガノグラフィーのネットワークは比較的大きい。
これは、現実世界のアプリケーションにおけるステガノグラフィーのパイプラインの重要な段階である公共のチャンネルでステガノグラフィーネットワークを隠密に送信する方法に関する懸念を提起する。
このような問題に対処するため、本稿では、ステガノグラフィーネットワークのステガノグラフィーのための新しいスキームを提案する。
既存のステガノグラフィーとは異なり、秘密に対応するためにカバーデータの微妙な変更に焦点を当てている。
本稿では、ステガノグラフィーネットワーク(シークレットDNNモデルとみなす)を、通常の機械学習タスク(ステゴタスクとみなす)を実行するステゴDNNモデルに偽装することを提案する。
モデル検証中に,秘密dnnモデルにおけるフィルタのサブセットを選択してチューニングし,その機能を秘密タスクに保持し,残りのフィルタを部分最適化戦略に従って再活性化し,秘密dnnモデル全体をstego dnnモデルに偽装する。
シークレットDNNモデルは、必要に応じてステゴDNNモデルから復元することができる。
ステガノグラフィーネットワークと一般的なdnnモデルとの密接な通信における提案手法の利点を実証するために,様々な実験を行った。
関連論文リスト
- Stealing Training Graphs from Graph Neural Networks [54.52392250297907]
グラフニューラルネットワーク(GNN)は、様々なタスクにおけるグラフのモデリングにおいて有望な結果を示している。
ニューラルネットワークがトレーニングサンプルを記憶できるため、GNNのモデルパラメータはプライベートトレーニングデータをリークするリスクが高い。
訓練されたGNNからグラフを盗むという新しい問題について検討する。
論文 参考訳(メタデータ) (2024-11-17T23:15:36Z) - Cover-separable Fixed Neural Network Steganography via Deep Generative Models [37.08937194546323]
我々は、Cs-FNNSという、カバー分離可能な固定ニューラルネットワークステレオグラフィーを提案する。
Cs-FNNSでは,シークレットデータを受容不能な摂動に直接エンコードするSPSアルゴリズムを提案する。
本稿では,視覚的品質と非検出性の観点から,提案手法の優れた性能を示す。
論文 参考訳(メタデータ) (2024-07-16T05:47:06Z) - CNN2GNN: How to Bridge CNN with GNN [59.42117676779735]
蒸留によりCNNとGNNを統一する新しいCNN2GNNフレームワークを提案する。
Mini-ImageNetにおける蒸留ブースターの2層GNNの性能は、ResNet152のような数十層を含むCNNよりもはるかに高い。
論文 参考訳(メタデータ) (2024-04-23T08:19:08Z) - Graph Coordinates and Conventional Neural Networks -- An Alternative for
Graph Neural Networks [0.10923877073891444]
メッセージパッシングGNNの新たな代替手段として,Topology Coordinate Neural Network (TCNN) と Directional Virtual Coordinate Neural Network (DVCNN) を提案する。
TCNNとDVCNNは、メッセージパッシングGNNの競合や優れたパフォーマンスを達成する。
私たちの研究は、グラフベースの機械学習のためのテクニックのツールボックスを拡張します。
論文 参考訳(メタデータ) (2023-12-03T10:14:10Z) - Towards Deep Network Steganography: From Networks to Networks [23.853644434004135]
DNNモデルの秘密通信のためのディープネットワークステガノグラフィーを提案する。
我々の手法は、秘密のDNNモデルの学習タスクを他の通常の学習タスクに偽装する、タスク指向の学習である。
タスク内ステガノグラフィーとタスク間ステガノグラフィーの両方について実験を行った。
論文 参考訳(メタデータ) (2023-07-07T08:02:01Z) - CNN-Assisted Steganography -- Integrating Machine Learning with
Established Steganographic Techniques [5.0468312081378475]
ステガナリシスによる発見に対するステガノグラフィーのレジリエンスを高めることによってステガノグラフィーを改善する方法を提案する。
我々のアプローチは、ステガノグラフィーアシスタント畳み込みニューラルネットワーク(SA-CNN)を組み込むことにより、ステガノグラフィーアプローチのクラスを強化する。
以上の結果から, ステガナリザーは, ステゴイメージ発生時にSA-CNNを併用した場合, 効果が低いことが示唆された。
論文 参考訳(メタデータ) (2023-04-25T00:19:23Z) - GrOVe: Ownership Verification of Graph Neural Networks using Embeddings [13.28269672097063]
グラフニューラルネットワーク(GNN)は、大規模グラフ構造化データから推論をモデル化および描画するための最先端のアプローチとして登場した。
以前の研究によると、GNNは抽出攻撃をモデル化する傾向がある。
GrOVeは最先端のGNNモデルフィンガープリント方式である。
論文 参考訳(メタデータ) (2023-04-17T19:06:56Z) - Identity-aware Graph Neural Networks [63.6952975763946]
グラフニューラルネットワーク(ID-GNN)を1-WLテストよりも表現力の高いメッセージクラスを開発しています。
ID-GNNは、メッセージパッシング中にノードのIDを誘導的に考慮することにより、既存のGNNアーキテクチャを拡張します。
既存のGNNをID-GNNに変換すると、挑戦ノード、エッジ、グラフプロパティ予測タスクの平均40%の精度が向上することを示す。
論文 参考訳(メタデータ) (2021-01-25T18:59:01Z) - Overcoming Catastrophic Forgetting in Graph Neural Networks [50.900153089330175]
破滅的な忘れは、ニューラルネットワークが新しいタスクを学ぶ前に学んだ知識を「忘れる」傾向を指します。
本稿では,この問題を克服し,グラフニューラルネットワーク(GNN)における継続学習を強化するための新しいスキームを提案する。
私たちのアプローチの中心には、トポロジ認識重量保存(TWP)と呼ばれる汎用モジュールがあります。
論文 参考訳(メタデータ) (2020-12-10T22:30:25Z) - Attentive Graph Neural Networks for Few-Shot Learning [74.01069516079379]
グラフニューラルネットワーク(GNN)は、数ショットの学習タスクを含む多くの困難なアプリケーションにおいて、優れたパフォーマンスを示している。
少数のサンプルからモデルを学習し、一般化する能力があるにもかかわらず、GNNは通常、モデルが深くなるにつれて、過度な過度な適合と過度なスムーシングに悩まされる。
本稿では,三重注意機構を組み込むことにより,これらの課題に対処するための新しい注意型GNNを提案する。
論文 参考訳(メタデータ) (2020-07-14T07:43:09Z) - Graph Neural Networks for Motion Planning [108.51253840181677]
低次元問題に対する高密度固定グラフ上のGNNと高次元問題に対するサンプリングベースGNNの2つの手法を提案する。
RRT(Rapidly-Exploring Random Trees)におけるクリティカルノードの特定やサンプリング分布の学習といった計画上の問題にGNNが取り組む能力について検討する。
臨界サンプリング、振り子、6つのDoFロボットアームによる実験では、GNNは従来の分析手法の改善だけでなく、完全に接続されたニューラルネットワークや畳み込みニューラルネットワークを用いた学習アプローチも示している。
論文 参考訳(メタデータ) (2020-06-11T08:19:06Z)
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。