Fugu-MT 論文翻訳(概要): DASM: Domain-Aware Sharpness Minimization for Multi-Domain Voice Stream Steganalysis

論文の概要: DASM: Domain-Aware Sharpness Minimization for Multi-Domain Voice Stream Steganalysis

arxiv url: http://arxiv.org/abs/2605.19955v1
Date: Tue, 19 May 2026 15:08:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-20 15:03:09.463159
Title: DASM: Domain-Aware Sharpness Minimization for Multi-Domain Voice Stream Steganalysis
Title（参考訳）: DASM:マルチドメイン音声ストリームステガナリシスのためのドメイン認識シャープネス最小化
Authors: Pengcheng Zhou, Pianran Guo, Shuhua Chen, Mengqin Zhao, Zhongliang Yang, Linna Zhou,
Abstract要約: 既存のネットワーク音声ストリームのステガナリシス手法は、主に特定のシナリオにおけるデータ分散に依存している。我々はDASM(Domain-Aware Sharpness Minimization)を提案する。提案手法は,最先端の手法を大きなマージンで上回り,優れた一般化とロバスト性を実現する。
参考スコア（独自算出の注目度）: 16.92723179106967
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The growing use of information hiding in network streaming media for covert communication poses a significant security threat, necessitating the development of robust detection technologies. However, existing steganalysis methods for network voice streams mostly rely on data distributions in specific scenarios, making it difficult to adapt to the practical detection needs of non-homologous data distributions. Through Hessian analysis, we find that the loss landscapes of mainstream models are dominated by numerous saddle points and sharp local minima, rendering them highly sensitive to data distribution shifts and fundamentally limiting generalization. Therefore, we propose a new optimizer, Domain-Aware Sharpness Minimization (DASM). The core mechanisms of DASM consist of two aspects: first, it integrates domain-supervised contrastive learning with sharpness-aware optimization, explicitly preserving inter-domain feature separation while seeking flat minima; second, we design an adaptive domain gap modulation strategy that dynamically calibrates the optimization loss weights by sensing the real-time feature separability of different domains. Extensive experimental results demonstrate that our method outperforms the state-of-the-art methods by a large margin and achieves excellent generalization and robustness.
Abstract（参考訳）: ネットワークストリーミングメディアにおける秘密通信への情報隠蔽の増大は、セキュリティ上の重大な脅威となり、堅牢な検出技術の開発を必要としている。しかし、既存のネットワーク音声ストリームのステガナリシス法は、主に特定のシナリオにおけるデータ分散に依存しており、非ホモロジーなデータ分散の現実的な検出ニーズに適応することが困難である。ヘッセン解析により、主流モデルの損失景観は多数のサドル点と急激な局所ミニマで支配されており、データ分布シフトに非常に敏感であり、一般化を根本的に制限していることがわかった。そこで本研究では,新たな最適化手法であるDomain-Aware Sharpness Minimization (DASM)を提案する。 DASMの中核的なメカニズムは2つの側面から成り立っている: 1つは、ドメイン教師ありのコントラスト学習と鋭さを意識した最適化を統合し、フラットなミニマを求めてドメイン間特徴分離を明示的に保存し、もう1つは、異なるドメインのリアルタイム特徴分離性を検知して最適化損失重みを動的に校正する適応的なドメインギャップ変調戦略を設計する。大規模な実験結果から,本手法は最先端の手法を大きなマージンで上回り,優れた一般化とロバスト性を実現していることが明らかとなった。

関連論文リスト

Simulating Distribution Dynamics: Liquid Temporal Feature Evolution for Single-Domain Generalized Object Detection [58.25418970608328]
Single-Domain Generalized Object Detection (Single-DGOD)は、あるソースドメインで訓練された検出器を複数の未知のドメインに転送することを目的としている。シングルDGODの既存の方法は通常、データの多様性を拡大するために離散的なデータ拡張や静的摂動法に依存している。そこで本研究では,ソース領域から潜伏分布のシミュレーションに至るまでの機能の進化をシミュレートする手法を提案する。
論文参考訳（メタデータ） (2025-11-13T03:10:39Z)
Feature-Space Planes Searcher: A Universal Domain Adaptation Framework for Interpretability and Computational Efficiency [7.889121135601528]
現在の教師なし領域適応法は微調整特徴抽出器に依存している。領域適応フレームワークとしてFPS(Feature-space Planes Searcher)を提案する。 FPSは最先端の手法と比較して,競争力や性能に優れることを示す。
論文参考訳（メタデータ） (2025-08-26T05:39:21Z)
Domain Generalized Stereo Matching with Uncertainty-guided Data Augmentation [11.938635624781313]
State-of-the-art stereo matching (SM)モデルはドメインの違いにより実際のデータドメインに一般化できないことが多い。データ拡張を活用してトレーニングドメインを拡張し、堅牢なクロスドメイン特徴表現を取得するようモデルに促します。私たちのアプローチはシンプルでアーキテクチャに依存しないもので、任意のSMネットワークに統合することができます。
論文参考訳（メタデータ） (2025-08-02T10:26:53Z)
DIDS: Domain Impact-aware Data Sampling for Large Language Model Training [61.10643823069603]
大規模言語モデルに対するドメインインパクト対応データサンプリング(DIDS)を提案する。学習効果に基づくDIDSグループトレーニングデータでは、プロキシ言語モデルと次元削減が使用される。同等のトレーニング効率を維持しながら平均パフォーマンスを3.4%向上させる。
論文参考訳（メタデータ） (2025-04-17T13:09:38Z)
Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
異常検出は産業アプリケーションの品質管理において重要な役割を担っている。既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
論文参考訳（メタデータ） (2025-03-19T05:25:52Z)
Let Synthetic Data Shine: Domain Reassembly and Soft-Fusion for Single Domain Generalization [68.41367635546183]
単一ドメインの一般化は、単一のソースからのデータを使用して、さまざまなシナリオで一貫したパフォーマンスでモデルをトレーニングすることを目的としている。モデル一般化を改善するために合成データを活用した学習フレームワークDRSFを提案する。
論文参考訳（メタデータ） (2025-03-17T18:08:03Z)
Two-Stage Adaptive Network for Semi-Supervised Cross-Domain Crater Detection under Varying Scenario Distributions [17.28368878719324]
クロスクレーター検出のための2段階適応ネットワーク(TAN)を提案する。我々のネットワークはYOLOv5検出器上に構築されており、そこではクロスドメインの一般化能力を高めるために一連の戦略が採用されている。ベンチマークデータセットによる実験結果から,提案するネットワークは,様々なシナリオ分布下でのクレーター検出の領域適応性を向上できることが示された。
論文参考訳（メタデータ） (2023-12-11T07:16:49Z)
Unified Domain Adaptive Semantic Segmentation [105.05235403072021]
Unsupervised Adaptive Domain Semantic (UDA-SS)は、ラベル付きソースドメインからラベル付きターゲットドメインに監督を移すことを目的としている。本稿では,特徴量と特徴量との相違に対処するQuad-directional Mixup(QuadMix)法を提案する。提案手法は,4つの挑戦的UDA-SSベンチマークにおいて,最先端の成果を大きなマージンで上回っている。
論文参考訳（メタデータ） (2023-11-22T09:18:49Z)
An Unsupervised Domain Adaptive Approach for Multimodal 2D Object Detection in Adverse Weather Conditions [5.217255784808035]
本稿では、ソースとターゲットドメイン間のドメインギャップを埋めるために、教師なしのドメイン適応フレームワークを提案する。天候の歪みをシミュレートするデータ拡張方式を用いて、ドメインの混乱を増し、ソースデータへの過度な適合を防止する。 DENSEデータセットで行った実験は、我々の手法がドメインギャップを大幅に軽減できることを示している。
論文参考訳（メタデータ） (2022-03-07T18:10:40Z)
Revisiting Deep Subspace Alignment for Unsupervised Domain Adaptation [42.16718847243166]
Unsupervised domain adapt (UDA) は、ラベル付きソースドメインからラベル付きターゲットドメインへの知識の転送と適応を目的としている。伝統的に、部分空間に基づく手法はこの問題に対する重要な解のクラスを形成する。本稿では,UDAにおける部分空間アライメントの利用を再検討し,一貫した一般化をもたらす新しい適応アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-01-05T20:16:38Z)
Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文参考訳（メタデータ） (2021-08-28T09:29:14Z)

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。