論文の概要: Set Shaping Theory as a Complementary Payload-Shaping Layer for Steganography
- arxiv url: http://arxiv.org/abs/2605.19885v1
- Date: Tue, 19 May 2026 14:15:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-20 15:03:09.392943
- Title: Set Shaping Theory as a Complementary Payload-Shaping Layer for Steganography
- Title（参考訳）: ステガノグラフィーのための相補的なペイロード整形層としての集合整形理論
- Authors: Aida Koch, Logan Lewis, Lily Scott, Agi Weber,
- Abstract要約: 本稿では,少なくとも重要なビット(LSB)画像ステガノグラフィーのための可逆的ペイロード形成層として,SST(Set Shaping)を用いることについて検討する。
この提案は、既存のステガノグラフィー手法を置き換えることや、新しい埋め込み方式としてそれらと競合することを目的としていない。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper studies the use of Set Shaping Theory (SST) as a reversible payload-shaping layer for least significant bit (LSB) image steganography. The proposal is not intended to replace existing steganographic methods or to compete with them as a new embedding scheme. Instead, SST is positioned as a complementary preprocessing stage that makes an existing embedding method easier to apply with lower statistical disturbance. The SST transformation increases the message length by K symbols and is implemented with the approximate and fast transformation algorithm developed by Glen Tankersley. Although the embedded payload is lengthened from N to N+K bits, the selected representation can reduce D_KL(P||Q) and therefore make the subsequent steganographic insertion less detectable under histogram-based criteria. Across 1,800 controlled simulations on four synthetic cover-image models, SST reduced D_KL(P||Q) by an average of 25.16 percent relative to a fair N+K LSB baseline, with a 95 percent confidence interval of +/- 1.22 percent. For K=8, the average reduction reached 42.81 percent. Additional robustness simulations with keyed random embedding paths confirmed the effect across several distances: at K=8, SST reduced KL divergence by 42.44 percent, Jensen-Shannon divergence by 29.62 percent, total variation by 12.41 percent, and symmetric chi-square distance by 28.30 percent. An additional image-based matrix-embedding/STC-like simulation showed that SST also reduces the minimum weighted insertion cost: relative to the unshaped K=0 reference, K=8 reduced the cost by 6.93 percent.
- Abstract（参考訳）: 本稿では,LSB画像ステガノグラフィのための可逆的ペイロード形成層として,SST(Set Shaping Theory)を用いて検討する。
この提案は、既存のステガノグラフィー手法を置き換えることや、新しい埋め込み方式としてそれらと競合することを目的としていない。
代わりに、SSTは、既存の埋め込み手法をより低い統計的乱れに適用しやすくする補完的な前処理段階として位置づけられている。
SST変換は、Kシンボルによるメッセージ長を増大させ、Glen Tankersleyによって開発された近似的で高速な変換アルゴリズムで実装される。
埋め込みペイロードはNからN+Kビットに延長されるが、選択された表現はD_KL(P||Q)を減少させるので、ヒストグラムベースの基準の下では、その後のステガノグラフ挿入を検出できない。
4つの合成カバーイメージモデルで1,800以上のシミュレーションを制御し、SSTはD_KL(P||Q)を、公正なN+K LSBベースラインに対して平均25.16パーセント削減し、95%の信頼区間+/-1.2パーセントとした。
K=8では、平均減少率は42.81パーセントに達した。
K=8では、SSTはKLの発散を42.44パーセント減らし、Jensen-Shannonの発散を29.62パーセント減らした。
さらに、画像ベースのマトリックス埋め込み/STCライクなシミュレーションにより、SSTは、未形状のK=0参照に対して、K=8はコストを6.93パーセント削減した。
関連論文リスト
- A Penalty-Free Pipeline for Direct Quantum-Annealer Portfolio Optimization [0.0]
直接量子アニーラーポートフォリオ最適化は、一般にD-Waveハードウェアに送信されるペナルティ符号化QUBOとして定式化される。
この標準定式化は、現在のデバイスでは失敗し、構造的理由を特定する。
期待したリターンから目的のみのQUBOを構築し、それをハードウェア上でサンプリングする。
論文 参考訳（メタデータ） (2026-05-17T19:50:04Z) - BitCal-TTS: Bit-Calibrated Test-Time Scaling for Quantized Reasoning Models [0.0]
BitCal-TTSは、greedy 4ビット推論のための軽量ランタイムコントローラである。
標準のHugging Face 4ビット推論と統合され、フォワードフックを使ってログとラストレイヤーの隠蔽状態を生成する。
Qwen2.5インストラクトモデルによるGSM8Kの評価シャードについて、BitCal-TTSは、非ビット対応ベースラインよりも正確なマッチング精度を向上させる。
論文 参考訳（メタデータ） (2026-05-07T01:10:34Z) - GlowQ: Group-Shared LOw-Rank Approximation for Quantized LLMs [3.482440978847644]
BitsAndBytes、AWQ、GPTQなどの量子化技術は、低ビット表現を使用すると精度が低下する。
低ランク補正法はすべてのレイヤを復元し、デコーダブロックにエラー訂正モジュールを挿入する。
本稿では,グループ共有の低ランク近似であるGlowQを提案する。
論文 参考訳（メタデータ） (2026-03-26T12:36:44Z) - KANtize: Exploring Low-bit Quantization of Kolmogorov-Arnold Networks for Efficient Inference [1.5102260054654923]
Kolmogorov-Arnold Networks (KANs) は、MLP(Multi-Layer Perceptrons)を上回る可能性について注目されている。
本研究では,低ビット量子化がkanに与える影響と,計算複雑性とハードウェア効率に与える影響について検討する。
論文 参考訳（メタデータ） (2026-03-18T00:32:11Z) - BPDQ: Bit-Plane Decomposition Quantization on a Variable Grid for Large Language Models [56.504879072674015]
本稿では,ビットプレーンとスカラー係数による可変量子化グリッドを構成するビットプレーン分解量子化(BPDQ)を提案する。
BPDQは、1つのGTX 3090上でQwen2.5-72Bを83.85%のGSM8Kの精度で提供できる(ただし16ビットでは90.83%)。
論文 参考訳（メタデータ） (2026-02-04T02:54:37Z) - 2DQuant: Low-bit Post-Training Quantization for Image Super-Resolution [83.09117439860607]
低ビット量子化は、エッジ展開のための画像超解像(SR)モデルを圧縮するために広く普及している。
低ビット量子化は、フル精度(FP)と比較してSRモデルの精度を低下させることが知られている。
本稿では2DQuantという画像超解像のための2段階の低ビット後量子化(PTQ)法を提案する。
論文 参考訳（メタデータ） (2024-06-10T06:06:11Z) - Faster One-Sample Stochastic Conditional Gradient Method for Composite
Convex Minimization [61.26619639722804]
滑らかで非滑らかな項の和として形成される凸有限サム目標を最小化するための条件勾配法(CGM)を提案する。
提案手法は, 平均勾配 (SAG) 推定器を備え, 1回に1回のサンプルしか必要としないが, より高度な分散低減技術と同等の高速収束速度を保証できる。
論文 参考訳（メタデータ） (2022-02-26T19:10:48Z) - Non-Parametric Adaptive Network Pruning [125.4414216272874]
アルゴリズム設計を簡略化するノンパラメトリックモデリングを導入。
顔認識コミュニティに触発されて,メッセージパッシングアルゴリズムを用いて,適応的な例示数を求める。
EPrunerは「重要」フィルタを決定する際にトレーニングデータへの依存を壊します。
論文 参考訳（メタデータ） (2021-01-20T06:18:38Z) - Balancing Rates and Variance via Adaptive Batch-Size for Stochastic
Optimization Problems [120.21685755278509]
本研究は,ステップサイズの減衰が正確な収束に必要であるという事実と,一定のステップサイズがエラーまでの時間でより速く学習するという事実のバランスをとることを目的とする。
ステップサイズのミニバッチを最初から修正するのではなく,パラメータを適応的に進化させることを提案する。
論文 参考訳（メタデータ） (2020-07-02T16:02:02Z) - Filter Sketch for Network Pruning [184.41079868885265]
事前学習したネットワーク重み(フィルタ)の情報保存による新しいネットワークプルーニング手法を提案する。
われわれのアプローチは、FilterSketchと呼ばれ、事前訓練された重みの2次情報を符号化する。
CIFAR-10の実験では、FilterSketchはFLOPの63.3%を削減し、ネットワークパラメータの59.9%を無視できる精度で削減している。
論文 参考訳（メタデータ） (2020-01-23T13:57:08Z)
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。