論文の概要: Hierarchical Graph Neural Network for Compressed Speech Steganalysis

• arxiv url: http://arxiv.org/abs/2507.21591v1
• Date: Tue, 29 Jul 2025 08:46:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-30 17:08:55.949139
• Title: Hierarchical Graph Neural Network for Compressed Speech Steganalysis
• Title（参考訳）: 圧縮音声ステガナリシスのための階層型グラフニューラルネットワーク
• Authors: Mustapha Hemis, Hamza Kheddar, Mohamed Chahine Ghanem, Bachir Boudraa,
• Abstract要約: 本稿では,圧縮音声のVoIP音声ストリームのステガナリシスのためのグラフニューラルネットワーク(GNN)の最初の応用について述べる。 この方法ではVoIPストリームからのグラフ構築が簡単で、階層的ステガナリシス情報を取得するのにGraphSAGEを使用する。 0.5秒の短いサンプルであっても検出精度は98%を超え、埋め込み率の低い困難な条件下では95.17パーセントの精度が得られる。
• 参考スコア（独自算出の注目度）: 0.4017708359820078
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Steganalysis methods based on deep learning (DL) often struggle with computational complexity and challenges in generalizing across different datasets. Incorporating a graph neural network (GNN) into steganalysis schemes enables the leveraging of relational data for improved detection accuracy and adaptability. This paper presents the first application of a Graph Neural Network (GNN), specifically the GraphSAGE architecture, for steganalysis of compressed voice over IP (VoIP) speech streams. The method involves straightforward graph construction from VoIP streams and employs GraphSAGE to capture hierarchical steganalysis information, including both fine grained details and high level patterns, thereby achieving high detection accuracy. Experimental results demonstrate that the developed approach performs well in uncovering quantization index modulation (QIM)-based steganographic patterns in VoIP signals. It achieves detection accuracy exceeding 98 percent even for short 0.5 second samples, and 95.17 percent accuracy under challenging conditions with low embedding rates, representing an improvement of 2.8 percent over the best performing state of the art methods. Furthermore, the model exhibits superior efficiency, with an average detection time as low as 0.016 seconds for 0.5-second samples an improvement of 0.003 seconds. This makes it efficient for online steganalysis tasks, providing a superior balance between detection accuracy and efficiency under the constraint of short samples with low embedding rates.
• Abstract（参考訳）: ディープラーニング(DL)に基づくステガナリシス法は、様々なデータセットをまたいだ一般化において、計算の複雑さと課題に悩まされることが多い。 グラフニューラルネットワーク(GNN)をステガナリシススキームに組み込むことで、リレーショナルデータを活用することにより、検出精度と適応性を向上させることができる。 本稿では、圧縮音声のVoIP音声ストリームのステガナリシスのためのグラフニューラルネットワーク(GNN)の最初の応用について述べる。 この方法では,VoIPストリームからのグラフ構築が簡単で,階層的ステガナリシス情報(細粒度と高レベルパターンの両方を含む)をキャプチャし,高い検出精度を実現する。 実験結果から,VoIP信号における量子化指数変調(QIM)に基づくステガノグラフィーパターンの発見において,本手法が有効であることが示された。 0.5秒の短いサンプルであっても検出精度は98%を超え、埋め込み率の低い困難な条件下では95.17パーセントの精度が達成され、最先端の手法よりも2.8%向上した。 さらに,0.5秒試料の平均検出時間は0.016秒であり,0.003秒の改善が得られた。 これにより、オンラインステガナリシスタスクの効率が向上し、低埋め込み率の短いサンプルの制約下で検出精度と効率のバランスが良くなる。

関連論文リスト

• Efficient Streaming Voice Steganalysis in Challenging Detection Scenarios [13.049308869863248]
  本稿ではDVSF(Dual-View VoIP Steganalysis Framework)を紹介する。 このフレームワークは、VoIPストリームセグメント内のネイティブステガノグラフ記述子の一部をランダムに難読化する。 次に、VoIPのグローバル機能に基づいて、ステガノグラフィーに関連するきめ細かい局所的特徴をキャプチャする。
  論文  参考訳（メタデータ） (2024-11-20T02:22:58Z)
• SGM-PINN: Sampling Graphical Models for Faster Training of Physics-Informed Neural Networks [4.262342157729123]
  SGM-PINNは物理情報ニューラルネットワーク(PINN)のトレーニング効率を向上させるグラフベースの重要度サンプリングフレームワークである 提案手法の利点を実証し,従来の最先端サンプリング手法と比較して3倍の収束性を実現した。
  論文  参考訳（メタデータ） (2024-07-10T04:31:50Z)
• Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
  不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。 最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。 我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
  論文  参考訳（メタデータ） (2023-10-23T01:25:44Z)
• Learning Large-scale Neural Fields via Context Pruned Meta-Learning [60.93679437452872]
  本稿では,大規模ニューラルネットワーク学習のための最適化に基づくメタラーニング手法を提案する。 メタテスト時間における勾配再スケーリングは、非常に高品質なニューラルネットワークの学習を可能にすることを示す。 我々のフレームワークは、モデルに依存しない、直感的で、実装が容易であり、幅広い信号に対する大幅な再構成改善を示す。
  論文  参考訳（メタデータ） (2023-02-01T17:32:16Z)
• SCARA: Scalable Graph Neural Networks with Feature-Oriented Optimization [23.609017952951454]
  グラフ計算のための特徴指向最適化を備えたスケーラブルグラフニューラルネットワーク(GNN)であるSCARAを提案する。 SCARAはノードの特徴からグラフの埋め込みを効率的に計算し、機能の結果を選択して再利用することでオーバーヘッドを減らします。 利用可能な最大10億のGNNデータセットであるPapers100M(1110万ノード、1.6Bエッジ)を100秒でプリ計算するのが効率的である。
  論文  参考訳（メタデータ） (2022-07-19T10:32:11Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
  本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。 解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
  論文  参考訳（メタデータ） (2020-10-21T20:04:22Z)

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。