論文の概要: Shifting-Merging: Secure, High-Capacity and Efficient Steganography via Large Language Models

• arxiv url: http://arxiv.org/abs/2501.00786v1
• Date: Wed, 01 Jan 2025 09:51:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 17:11:41.354365
• Title: Shifting-Merging: Secure, High-Capacity and Efficient Steganography via Large Language Models
• Title（参考訳）: シフト・マージン:大規模言語モデルによるセキュア・高容量・高能率ステガノグラフィー
• Authors: Minhao Bai, Jinshuai Yang, Kaiyi Pang, Yongfeng Huang, Yue Gao,
• Abstract要約: ステガノグラフィーは、無実のテキストの中にメッセージを安全に隠す方法を提供する。 大規模言語モデル(LLM)は高品質で明示的な分布を提供する。 ShiMer は LLM 分布の確率区間を擬似ランダムにシフトしてプライベート分布を得る。
• 参考スコア（独自算出の注目度）: 25.52890764952079
• License:
• Abstract: In the face of escalating surveillance and censorship within the cyberspace, the sanctity of personal privacy has come under siege, necessitating the development of steganography, which offers a way to securely hide messages within innocent-looking texts. Previous methods alternate the texts to hide private massages, which is not secure. Large Language Models (LLMs) provide high-quality and explicit distribution, which is an available mathematical tool for secure steganography methods. However, existing attempts fail to achieve high capacity, time efficiency and correctness simultaneously, and their strongly coupling designs leave little room for refining them to achieve better performance. To provide a secure, high-capacity and efficient steganography method, we introduce ShiMer. Specifically, ShiMer pseudorandomly shifts the probability interval of the LLM's distribution to obtain a private distribution, and samples a token according to the private bits. ShiMer produced steganographic texts are indistinguishable in quality from the normal texts directly generated by the language model. To further enhance the capacity of ShiMer, we design a reordering algorithm to minimize the occurrence of interval splitting during decoding phase. Experimental results indicate that our method achieves the highest capacity and efficiency among existing secure steganography techniques.
• Abstract（参考訳）: サイバー空間内での監視と検閲がエスカレートする中で、個人のプライバシーの正当性は包囲され、無実のテキストの中にメッセージを安全に隠す手段を提供するステガノグラフィー(steganography)の開発が必要とされる。 以前の方法は、安全でないプライベートマッサージを隠すためにテキストを交換する。 LLM(Large Language Models)は、セキュアなステガノグラフィー手法のための数学的ツールである、高品質で明示的な分布を提供する。 しかし、既存の試みは高いキャパシティ、時間効率、正確性を同時に達成することができず、それらの強い結合設計は、より良い性能を達成するためにそれらを精錬する余地をほとんど残さない。 安全で高容量かつ効率的なステガノグラフィー法であるShiMerについて紹介する。 具体的には、ShiMer は LLM 分布の確率間隔を疑似ランダムにシフトしてプライベート分布を取得し、プライベートビットに応じてトークンをサンプリングする。 ShiMerが作成したステガノグラフテキストは、言語モデルによって直接生成される通常のテキストと品質が区別できない。 ShiMerのキャパシティをさらに向上するため、復号フェーズにおける間隔分割の発生を最小限に抑えるリオーダーアルゴリズムを設計する。 実験結果から,本手法は既存の安全ステガノグラフィー技術の中で最も高いキャパシティと効率を達成できることが示唆された。

関連論文リスト

• GaussMark: A Practical Approach for Structural Watermarking of Language Models [61.84270985214254]
  GaussMarkは、大規模な言語モデルを透かし出すためのシンプルで効率的で比較的堅牢なスキームである。 GaussMarkは信頼性が高く、効率的で、挿入、削除、置換、ラウンドトリップ翻訳などの汚職に対して比較的堅牢であることを示す。
  論文  参考訳（メタデータ） (2025-01-17T22:30:08Z)
• FreStega: A Plug-and-Play Method for Boosting Imperceptibility and Capacity in Generative Linguistic Steganography for Real-World Scenarios [0.0]
  言語学的ステガノグラフィーは、秘密情報を一見無実のテキストに埋め込んで、監視環境におけるプライバシーを保護している。 本稿では,FreStegaを提案する。FreStegaは,生成言語ステガノグラフィに使用される言語モデルの分布を再構成するプラグイン・アンド・プレイ方式である。
  論文  参考訳（メタデータ） (2024-12-27T13:56:51Z)
• Semantic Steganography: A Framework for Robust and High-Capacity Information Hiding using Large Language Models [25.52890764952079]
  生成言語ステガノグラフィーは、モデル生成テキストに情報を隠蔽する一般的な技術となっている。 大規模言語モデル(LLM)に基づく意味的ステガノグラフィーフレームワークを提案する。 このフレームワークは複雑なチャネルでの送信に対して堅牢性と信頼性を提供し、テキストレンダリングやワードブロッキングに対する耐性を提供する。
  論文  参考訳（メタデータ） (2024-12-15T04:04:23Z)
• Detecting, Explaining, and Mitigating Memorization in Diffusion Models [49.438362005962375]
  そこで本研究では,テキスト条件予測の大きさを検査することで,暗黙のプロンプトを検出する方法を提案する。 提案手法はサンプリングアルゴリズムを中断することなくシームレスに統合し,第1世代でも高い精度を実現する。 検出戦略に基づいて,個々の単語やトークンの記憶への寄与を示す説明可能なアプローチを提示する。
  論文  参考訳（メタデータ） (2024-07-31T16:13:29Z)
• Provably Secure Disambiguating Neural Linguistic Steganography [66.30965740387047]
  サブワードに基づく言語モデルを使用する際に生じるセグメンテーションの曖昧さ問題は、時にはデコード障害を引き起こす。 そこで我々はSyncPoolという,セグメンテーションのあいまいさ問題に効果的に対処する,セキュアな曖昧さ回避手法を提案する。 SyncPoolは、候補プールのサイズやトークンの分布を変えないため、確実に安全な言語ステガノグラフィー手法に適用できる。
  論文  参考訳（メタデータ） (2024-03-26T09:25:57Z)
• Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
  ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。 既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。 本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-07-31T10:22:33Z)
• Perfectly Secure Steganography Using Minimum Entropy Coupling [60.154855689780796]
  カチン1998のステガノグラフィー情報理論モデルでは, ステガノグラフィーの術式は完全に安全であることが示されている。 また, 完全セキュアな手順の中で, 最小エントロピー結合によって誘導される場合に限, 情報スループットが最大になることを示す。
  論文  参考訳（メタデータ） (2022-10-24T17:40:07Z)
• Autoregressive Linguistic Steganography Based on BERT and Consistency Coding [17.881686153284267]
  言語ステガノグラフィ(LS)は、秘密情報をテキストに埋め込むことによって、コミュニケーションの存在を隠蔽する。 近年のアルゴリズムでは、言語モデル(LM)を用いてステガノグラフテキストを生成する。 本稿では,BERTと整合性符号化に基づく自己回帰型LSアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-26T02:36:55Z)
• Provably Secure Generative Linguistic Steganography [29.919406917681282]
  提案手法は, 新規にセキュアな生成言語分類法ADGである。 ADGは、市販の言語モデルによって与えられる確率に応じて、トークンの適応動的グループ化によって秘密情報を埋め込む。
  論文  参考訳（メタデータ） (2021-06-03T17:27:10Z)
• BERT-ATTACK: Adversarial Attack Against BERT Using BERT [77.82947768158132]
  離散データ(テキストなど)に対するアドリアック攻撃は、連続データ(画像など)よりも難しい。 対戦型サンプルを生成するための高品質で効果的な方法である textbfBERT-Attack を提案する。 本手法は、成功率と摂動率の両方において、最先端の攻撃戦略より優れている。
  論文  参考訳（メタデータ） (2020-04-21T13:30:02Z)

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。