論文の概要: UP4LS: User Profile Constructed by Multiple Attributes for Enhancing
Linguistic Steganalysis
- arxiv url: http://arxiv.org/abs/2311.01775v1
- Date: Fri, 3 Nov 2023 08:20:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-06 14:47:38.487032
- Title: UP4LS: User Profile Constructed by Multiple Attributes for Enhancing
Linguistic Steganalysis
- Title(参考訳): UP4LS:言語ステガナリシスを促進する複数の属性によるユーザプロファイルの構築
- Authors: Yihao Wang, Ruiqi Song, Ru Zhang, and Jianyi Liu
- Abstract要約: 言語的ステガナリシス(LS)タスクは、言語的ステガナリシスによって生成されるステゴを効果的に検出することを目的としている。
既存のLSメソッドは、特有のユーザ特性を見落とし、ソーシャルネットワークのパフォーマンスが低下する。
本稿では,ユーザプロファイルを用いた新しいフレームワークであるUP4LSを提案する。
- 参考スコア(独自算出の注目度): 5.847402507684809
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Linguistic steganalysis (LS) tasks aim to effectively detect stegos generated
by linguistic steganography. Existing LS methods overlook the distinctive user
characteristics, leading to weak performance in social networks. The limited
occurrence of stegos further complicates detection. In this paper, we propose
the UP4LS, a novel framework with the User Profile for enhancing LS
performance. Specifically, by delving into post content, we explore user
attributes like writing habits, psychological states, and focal areas, thereby
building the user profile for LS. For each attribute, we design the identified
feature extraction module. The extracted features are mapped to
high-dimensional user features via deep-learning networks from existing
methods. Then the language model is employed to extract content features. The
user and content features are integrated to optimize feature representation.
During the training phase, we prioritize the distribution of stegos.
Experiments demonstrate that UP4LS can significantly enhance the performance of
existing methods, and an overall accuracy improvement of nearly 25%. In
particular, the improvement is especially pronounced with fewer stego samples.
Additionally, UP4LS also sets the stage for studies on related tasks,
encouraging extensive applications on LS tasks.
- Abstract(参考訳): 言語的ステガナリシス(LS)タスクは、言語的ステガナリシスによって生成されるステゴを効果的に検出することを目的としている。
既存のLSメソッドは、特有のユーザ特性を見落とし、ソーシャルネットワークのパフォーマンスが低下する。
ステゴの限られた発生は検出をさらに複雑にする。
本稿では,ユーザプロファイルを用いた新しいフレームワークであるUP4LSを提案する。
具体的には、投稿内容を掘り下げることで、執筆習慣、心理的状態、焦点領域などのユーザ属性を探索し、LSのユーザプロファイルを構築する。
各属性に対して、識別された特徴抽出モジュールを設計する。
抽出した特徴を既存手法のディープラーニングネットワークを介して高次元ユーザ特徴にマッピングする。
次に、言語モデルを用いてコンテンツの特徴を抽出する。
ユーザとコンテンツ機能は統合され、機能表現を最適化する。
トレーニングフェーズでは,ステゴの分布を優先する。
実験により、UP4LSは既存の手法の性能を大幅に向上し、全体的な精度は25%近く向上した。
特に、改良は特に少ないステゴサンプルで発音される。
さらに、UP4LSは関連するタスクの研究のステージも設定し、LSタスクの広範な応用を奨励している。
関連論文リスト
- LLMvsSmall Model? Large Language Model Based Text Augmentation Enhanced
Personality Detection Model [58.887561071010985]
パーソナリティ検出は、ソーシャルメディア投稿に根ざした性格特性を検出することを目的としている。
既存のほとんどのメソッドは、事前訓練された言語モデルを微調整することで、ポスト機能を直接学習する。
本稿では,大規模言語モデル (LLM) に基づくテキスト拡張強化人格検出モデルを提案する。
論文 参考訳(メタデータ) (2024-03-12T12:10:18Z) - Supervised Knowledge Makes Large Language Models Better In-context Learners [94.89301696512776]
大規模言語モデル(LLM)は、素早い工学を通して、文脈内学習能力の出現を示す。
自然言語理解と質問応答におけるLLMの一般化性と事実性の向上という課題は、まだ未解決のままである。
本研究では, LLM の信頼性を高める枠組みを提案する。1) 分布外データの一般化,2) 差別モデルによる LLM のメリットの解明,3) 生成タスクにおける幻覚の最小化。
論文 参考訳(メタデータ) (2023-12-26T07:24:46Z) - SSPNet: Scale and Spatial Priors Guided Generalizable and Interpretable
Pedestrian Attribute Recognition [23.55622798950833]
Pedestrian Attribute Recognition(PAR)モデルに対して,SSPNet(Scale and Spatial Priors Guided Network)を提案する。
SSPNetは、異なる属性グループに対して適切なスケールの事前情報を提供することを学び、モデルが異なるレベルの機能マップに集中できるようにする。
Weakly-supervised Pedestrian Attribute Localization (WPAL) に対して, 属性応答マスクのGrad-CAMの改良に基づく新しいIoU属性ローカライゼーション指標を提案する。
論文 参考訳(メタデータ) (2023-12-11T00:41:40Z) - Attribute-Aware Representation Rectification for Generalized Zero-Shot
Learning [19.65026043141699]
一般化ゼロショット学習(GZSL)は、一連の非バイアスの視覚-セマンティックマッピングを設計することによって、顕著な性能を得た。
本稿では,GZSLに対して,$mathbf(AR)2$という簡易かつ効果的な属性認識表現フレームワークを提案する。
論文 参考訳(メタデータ) (2023-11-23T11:30:32Z) - Enhancing Few-shot CLIP with Semantic-Aware Fine-Tuning [61.902254546858465]
Contrastive Language-Image Pre-Trainingに基づく手法は、数発の適応タスクで有望な性能を示した。
本稿では,タスク固有のセマンティクスに焦点を合わせるために,トレーニングプロセス中にアテンションプーリング層のパラメータを微調整することを提案する。
論文 参考訳(メタデータ) (2023-11-08T05:18:57Z) - Harnessing Explanations: LLM-to-LM Interpreter for Enhanced
Text-Attributed Graph Representation Learning [51.90524745663737]
重要なイノベーションは、機能として説明を使用することで、下流タスクにおけるGNNのパフォーマンス向上に利用できます。
提案手法は、確立されたTAGデータセットの最先端結果を実現する。
本手法はトレーニングを著しく高速化し,ogbn-arxivのベースラインに最も近い2.88倍の改善を実現した。
論文 参考訳(メタデータ) (2023-05-31T03:18:03Z) - Deep Learning Approaches to Lexical Simplification: A Survey [19.079916794185642]
レキシカルシンプリフィケーション(Lexical Simplification、LS)は、複合語を文中の単純な単語に置き換える作業である。
LS は Text Simplification (TS) の語彙的構成要素である
近年のディープラーニングの進歩は、LSに新たな関心を喚起している。
論文 参考訳(メタデータ) (2023-05-19T20:56:22Z) - SLUE Phase-2: A Benchmark Suite of Diverse Spoken Language Understanding
Tasks [88.4408774253634]
音声言語理解(SLU)タスクは、音声研究コミュニティで何十年にもわたって研究されてきた。
SLUタスクベンチマークはそれほど多くはなく、既存のベンチマークの多くは、すべての研究者が自由に利用できないデータを使っている。
最近の研究は、いくつかのタスクにそのようなベンチマークを導入し始めている。
論文 参考訳(メタデータ) (2022-12-20T18:39:59Z) - ESPnet-SE++: Speech Enhancement for Robust Speech Recognition,
Translation, and Understanding [86.47555696652618]
本稿では,音声分離と拡張をESPnetツールキットに統合する最近の進歩について述べる。
新しいインタフェースは、音声認識(ASR)、音声翻訳(ST)、音声言語理解(SLU)など、音声強調フロントエンドと他のタスクを併用するように設計されている。
その結果,SEフロントエンドとバックエンドタスクの統合は,ASR以外のタスクにおいても有望な研究方向であることが示唆された。
論文 参考訳(メタデータ) (2022-07-19T18:55:29Z) - Transducer-based language embedding for spoken language identification [38.60303603000269]
音響的特徴と言語的特徴は,音声言語識別作業において重要な手がかりである。
近年の先進的なLIDシステムは、言語的特徴符号化を欠いた音響的特徴を主に用いている。
本稿では,RNNトランスデューサモデルを言語埋め込みフレームワークに統合することにより,LIDタスクのための新しいトランスデューサベースの言語埋め込み手法を提案する。
論文 参考訳(メタデータ) (2022-04-08T07:23:43Z) - Enhancing deep neural networks with morphological information [0.0]
LSTMモデルとBERTモデルに形態学的特徴を加える効果を解析した。
その結果, 形態的特徴の付加は, 特徴の質や課題によって異なることが示唆された。
論文 参考訳(メタデータ) (2020-11-24T22:35:44Z)
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。