論文の概要: Auto-Stega: An Agent-Driven System for Lifelong Strategy Evolution in LLM-Based Text Steganography

• arxiv url: http://arxiv.org/abs/2510.06565v1
• Date: Wed, 08 Oct 2025 01:32:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.257385
• Title: Auto-Stega: An Agent-Driven System for Lifelong Strategy Evolution in LLM-Based Text Steganography
• Title（参考訳）: Auto-Stega: LLMベースのテキストステガノグラフィにおける生涯戦略進化のためのエージェント駆動システム
• Authors: Jiuan Zhou, Yu Cheng, Yuan Xie, Zhaoxia Yin,
• Abstract要約: Auto-Stegaは、自己進化型のステガノグラフィ戦略のためのフレームワークである。 推論時に戦略を生成し、評価し、要約し、更新する。 高埋め込み率を扱うために,PC-DNTEというプラグイン・アンド・プレイアルゴリズムを導入する。
• 参考スコア（独自算出の注目度）: 21.817549738509346
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid progress of LLMs, high quality generative text has become widely available as a cover for text steganography. However, prevailing methods rely on hand-crafted or pre-specified strategies and struggle to balance efficiency, imperceptibility, and security, particularly at high embedding rates. Accordingly, we propose Auto-Stega, an agent-driven self-evolving framework that is the first to realize self-evolving steganographic strategies by automatically discovering, composing, and adapting strategies at inference time; the framework operates as a closed loop of generating, evaluating, summarizing, and updating that continually curates a structured strategy library and adapts across corpora, styles, and task constraints. A decoding LLM recovers the information under the shared strategy. To handle high embedding rates, we introduce PC-DNTE, a plug-and-play algorithm that maintains alignment with the base model's conditional distribution at high embedding rates, preserving imperceptibility while enhancing security. Experimental results demonstrate that at higher embedding rates Auto-Stega achieves superior performance with gains of 42.2\% in perplexity and 1.6\% in anti-steganalysis performance over SOTA methods.
• Abstract（参考訳）: LLMの急速な進歩に伴い、テキストステガノグラフィーのカバーとして高品質な生成テキストが広く利用されるようになった。 しかし、一般的な手法は手作りまたは事前に特定された戦略に依存しており、特に高い埋め込み率で効率、非受容性、セキュリティのバランスをとるのに苦労している。 そこで本稿では, エージェント駆動型自己進化型フレームワークであるAuto-Stegaを提案する。このフレームワークは, 構造的戦略ライブラリの生成, 評価, 要約, 更新を行うクローズドループとして機能し, コーパス, スタイル, タスク制約をまたいだ適応を行う。 復号化LLMは、共有戦略の下で情報を復元する。 高埋め込み率を扱うために,PC-DNTEを導入する。PC-DNTEは,高埋め込みレートでベースモデルの条件分布との整合性を維持し,セキュリティを保ちつつ不認性を保っている。 実験結果から, オートステガの埋込み速度は高いが, パープレキシティは42.2倍, SOTA法は1.6倍に向上した。

関連論文リスト

• AutoDAN-Reasoning: Enhancing Strategies Exploration based Jailbreak Attacks with Test-Time Scaling [54.47844626555395]
  AutoDAN-Turboは生涯学習エージェントを使用して、攻撃戦略の豊富なライブラリをゼロから構築する。 非常に効果的ではあるが、そのテスト時間生成プロセスは戦略をサンプリングし、対応する1つの攻撃プロンプトを生成する。 本稿では,テスト時間スケーリングによるAutoDAN-Turboの攻撃性能の向上を提案する。
  論文  参考訳（メタデータ） (2025-10-06T21:16:09Z)
• Continuous-Time Reinforcement Learning for Asset-Liability Management [0.0]
  本稿では,連続時間強化学習(RL)を用いたアセット・リバビリティ・マネジメント(ALM)の新しいアプローチを提案する。 本研究では,アセットと負債を動的に同期する ALM に適した,モデルフリーでポリシー勾配に基づくソフトアクター批判アルゴリズムを開発した。 本研究は,従来の2つの金融戦略,モデルベース連続時間RL法,最先端RLアルゴリズムに対するアプローチを実証的に評価する。
  論文  参考訳（メタデータ） (2025-09-27T12:36:51Z)
• SAGE: Strategy-Adaptive Generation Engine for Query Rewriting [8.941793732446856]
  本稿では,SAGE(Strategy-Adaptive Generation Engine)について紹介する。 SAGEは、最先端のNDCG@10の結果を新たに達成すると同時に、魅力的な創発的行動も明らかにする。 この結果から, 戦略誘導型RLは, よりスケーラブルで, 効率的で, 解釈可能なパラダイムを, 次世代の堅牢な情報検索システム開発に役立てることが示唆された。
  論文  参考訳（メタデータ） (2025-06-24T16:50:51Z)
• Generative Auto-Bidding with Value-Guided Explorations [47.71346722705783]
  本稿では,GAVE(Value-Guided Explorations)を用いた新しいオフライン自動入札フレームワークを提案する。 2つのオフラインデータセットと実世界のデプロイに関する実験結果は、GAVEがオフライン評価とオンラインA/Bテストの両方で最先端のベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2025-04-20T12:28:49Z)
• DARS: Dynamic Action Re-Sampling to Enhance Coding Agent Performance by Adaptive Tree Traversal [55.13854171147104]
  大規模言語モデル(LLM)は、自然言語処理、データ分析、ソフトウェア開発など、さまざまな領域に革命をもたらした。 符号化エージェントのための新しい推論時間計算スケーリングアプローチである動的アクション再サンプリング(DARS)を提案する。 我々は、SWE-Bench Liteベンチマークに対する我々のアプローチを評価し、このスケーリング戦略がClude 3.5 Sonnet V2で55%のパス@kスコアを達成したことを実証した。
  論文  参考訳（メタデータ） (2025-03-18T14:02:59Z)
• Semantic Consistency Regularization with Large Language Models for Semi-supervised Sentiment Analysis [20.503153899462323]
  本稿では,半教師付き感情分析のためのフレームワークを提案する。 テキストを意味的に拡張する2つのプロンプト戦略を導入する。 実験により,従来の半教師付き手法よりも優れた性能が得られた。
  論文  参考訳（メタデータ） (2025-01-29T12:03:11Z)
• Auto-RT: Automatic Jailbreak Strategy Exploration for Red-Teaming Large Language Models [62.12822290276912]
  Auto-RTは、複雑な攻撃戦略を探索し最適化する強化学習フレームワークである。 探索効率を大幅に改善し、攻撃戦略を自動的に最適化することにより、Auto-RTはボーダの脆弱性範囲を検出し、検出速度が速く、既存の方法と比較して16.63%高い成功率を達成する。
  論文  参考訳（メタデータ） (2025-01-03T14:30:14Z)

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。