論文の概要: Intelligent Carrier Allocation: A Cross-Modal Reasoning Framework for Adaptive Multimodal Steganography

• arxiv url: http://arxiv.org/abs/2511.09552v1
• Date: Thu, 13 Nov 2025 02:01:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.620435
• Title: Intelligent Carrier Allocation: A Cross-Modal Reasoning Framework for Adaptive Multimodal Steganography
• Title（参考訳）: Intelligent Carrier Allocation:Adaptive Multimodal Steganographyのためのクロスモーダル推論フレームワーク
• Authors: Abhirup Das, Pranav Dudani, Shruti Sharma, Ravi Kumar C.,
• Abstract要約: ステガノグラフィーは秘密の通信技術です 従来の方法はしばしば固定され、1種類のキャリアメディアでのみ動作する。 本稿では,Intelligent Carrier Allocationフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.71747343065587
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In today's digital world, which has many different types of media, steganography, the art of secret communication, has a lot of problems to deal with. Traditional methods are often fixed and only work with one type of carrier media. This means they don't work well with all the different types of media that are out there. This system doesn't send data to "weak" or easily detectable carriers because it can't adapt. This makes the system less safe and less secret in general. This paper proposes a novel Intelligent Carrier Allocation framework founded on a Cross-Modal Reasoning (CMR) Engine. This engine looks at a wide range of carriers, such as images, audio, and text, to see if they are good for steganography. It uses important measurements like entropy, signal complexity, and vocabulary richness to come up with a single reliability score for each modality. The framework uses these scores to fairly and intelligently share the secret bitstream, giving more data to carriers that are thought to be stronger and more complex. This adaptive allocation strategy makes the system as hard to find as possible and as strong as possible against steganalysis. We demonstrate that this reasoning-based approach is more secure and superior in data protection compared to static, non-adaptive multimodal techniques. This makes it possible to build stronger and smarter secret communication systems.
• Abstract（参考訳）: 今日のデジタルワールドでは、さまざまなタイプのメディアがあり、ステガノグラフィー、秘密コミュニケーションの技法は、多くの問題を抱えています。 従来の方法はしばしば固定され、1種類のキャリアメディアでのみ動作する。 つまり、さまざまな種類のメディアでうまく機能しないということです。 このシステムは、適応できないため、データを"弱"や容易に検出可能なキャリアに送信しません。 これにより、システム全体の安全性が低下し、シークレットが低下する。 本稿では,CMR(Cross-Modal Reasoning)エンジン上に構築されたインテリジェントキャリアアロケーションフレームワークを提案する。 このエンジンは、画像、オーディオ、テキストなどの幅広いキャリアを見て、ステガノグラフィーに適しているかどうかを確認する。 エントロピー、信号の複雑さ、語彙豊かさといった重要な測定値を使って、各モードごとに単一の信頼性スコアを導き出す。 このフレームワークはこれらのスコアを使って秘密のビットストリームを公平かつインテリジェントに共有する。 このアダプティブアロケーション戦略は、システムを可能な限り見つけにくく、ステガナリシスに対して可能な限り強くする。 この推論に基づくアプローチは、静的で非適応的なマルチモーダル手法と比較して、データ保護においてより安全で優れていることを実証する。 これにより、より強力でスマートな秘密通信システムを構築することができる。

関連論文リスト

• Connecting Giants: Synergistic Knowledge Transfer of Large Multimodal Models for Few-Shot Learning [61.73934102302588]
  少数ショット学習は、限られたトレーニングサンプルで新しいクラスを分類するという課題に対処する。 本稿では,大規模マルチモーダルモデルから多様かつ相補的な知識を効果的に伝達する新しいフレームワーク,Synergistic Knowledge Transferを提案する。 単純な数ショットのビジョンエンコーダと組み合わせても、SynTransは現在の最先端手法よりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2025-10-13T08:06:23Z)
• Towards Unified Multimodal Misinformation Detection in Social Media: A Benchmark Dataset and Baseline [56.790045049514326]
  詐欺の2つの主要な形態は、人造誤報とAI生成コンテンツである。 両形態の偽造を扱うためのフレームワークであるUMFDet(Unified Multimodal Fake Content Detection)を提案する。 UMFDetは、両方の誤情報型に対して堅牢で一貫したパフォーマンスを実現し、特殊ベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-09-30T09:26:32Z)
• An Outlook on the Opportunities and Challenges of Multi-Agent AI Systems [32.48561526824382]
  マルチエージェントAIシステム(MAS)は、内部生成モデルに基づいて対話、情報交換、意思決定を行う複数の自律エージェントで構成されている。 本稿では,MASを解析するための形式的枠組みについて概説する。
  論文  参考訳（メタデータ） (2025-05-23T22:05:19Z)
• GSDFuse: Capturing Cognitive Inconsistencies from Multi-Dimensional Weak Signals in Social Media Steganalysis [7.596566337443504]
  ソーシャルメディアプラットフォームは、悪意のある言語的ステガノグラフィーを促進し、重大なセキュリティリスクを生じさせる。 GSDFuseはこれらの障害を体系的に克服するために設計された新しい手法である。 ソーシャルメディアデータセットの実験では、高度なステガノグラフィーを特定する上でGSDFuseの最先端(SOTA)のパフォーマンスが示されている。
  論文  参考訳（メタデータ） (2025-05-20T17:07:42Z)
• Towards Rationality in Language and Multimodal Agents: A Survey [23.451887560567602]
  この研究は、より合理的な言語とマルチモーダルエージェントを構築する方法について議論する。 合理性は理性によって導かれる性質であり、証拠や論理原理と整合した意思決定によって特徴づけられる。
  論文  参考訳（メタデータ） (2024-06-01T01:17:25Z)
• Causal Semantic Communication for Digital Twins: A Generalizable Imitation Learning Approach [74.25870052841226]
  デジタルツイン(DT)は、物理世界の仮想表現と通信(例えば6G)、コンピュータ、人工知能(AI)技術を活用して、多くの接続されたインテリジェンスサービスを実現する。 無線システムは、厳密な通信制約下での情報意思決定を容易にするために意味コミュニケーション(SC)のパラダイムを利用することができる。 DTベースの無線システムでは,因果意味通信(CSC)と呼ばれる新しいフレームワークが提案されている。
  論文  参考訳（メタデータ） (2023-04-25T00:15:00Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• Enabling the Wireless Metaverse via Semantic Multiverse Communication [82.47169682083806]
  無線ネットワーク上のメタバースは、第6世代(6G)無線システムの新たなユースケースである。 メタバースを人間/機械エージェント固有のセマンティック・マルチバース(SM)に分解する新しいセマンティック・コミュニケーション・フレームワークを提案する。 各エージェントに格納されたSMは、セマンティックエンコーダとジェネレータから構成され、生成人工知能(AI)の最近の進歩を活用する。
  論文  参考訳（メタデータ） (2022-12-13T21:21:07Z)
• Scaling Up Multiagent Reinforcement Learning for Robotic Systems: Learn an Adaptive Sparse Communication Graph [39.48317026356428]
  多エージェント強化学習の複雑さはエージェント数に対して指数関数的に増加する。 しばしば無視されるMARLの重要な特徴は、エージェント間の相互作用が極めて疎いことである。 疎度誘導活性化関数を一般化した適応的スパースアテンション機構を提案する。 提案アルゴリズムは,解釈可能なスパース構造を学習し,大規模マルチエージェントシステムを含むアプリケーションにおいて,従来よりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2020-03-02T17:18:25Z)

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。