論文の概要: REED: Post-Training Representation Editing for Cross-Domain Linguistic Steganalysis

• arxiv url: http://arxiv.org/abs/2605.28298v1
• Date: Wed, 27 May 2026 10:49:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.98626
• Title: REED: Post-Training Representation Editing for Cross-Domain Linguistic Steganalysis
• Title（参考訳）: REED:クロスドメイン言語ステガナリシスのための訓練後表現編集
• Authors: Ruohan Lei, Jianxin Gao, Wanli Peng, Huimin Pei,
• Abstract要約: 本稿では,クロスドメイン言語ステガナリシスのための学習後表現編集手法を提案する。 提案手法は、特にF1スコアにおいて、高いクロスドメイン検出性能を実現する。
• 参考スコア（独自算出の注目度）: 5.68677425690645
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In real-world scenarios of linguistic steganalysis, tested texts usually come from unseen domains with different vocabularies, topics, writing styles, and steganographic generation patterns, which can significantly degrade the detection performance. Although existing cross-domain steganalysis methods can effectively alleviate this problem through distribution alignment, domain-invariant feature learning, etc., the detection performance is not satisfactory. In this paper, we propose a post-training representation editing method for cross-domain linguistic steganalysis. Specifically, the detector is first trained on source-domain data, and then the feature extractor and classifier are kept frozen, and the intermediate representations are deterministically edited before classification. For domain adaptation, we construct a domain-offset vector from marginal source and target representations. For domain generalization, we derive a source-domain cover-to-stego direction to guide sample-specific editing. Experimental results show that compared with the advanced methods, the proposed method can achieve high cross-domain detection performance, especially in terms of F1-score, while requiring no architecture modification or parameter updates after source-domain training.
• Abstract（参考訳）: 言語ステガナリシスの現実のシナリオでは、テストされたテキストは通常、異なる語彙、トピック、書き込みスタイル、およびステガノグラフィー生成パターンを持つ未知のドメインから来ており、検出性能を著しく低下させる。 既存のクロスドメインステガナリシス法では、分散アライメントやドメイン不変の特徴学習などによってこの問題を効果的に軽減できるが、検出性能は不十分である。 本稿では,クロスドメイン言語ステガナリシスのための学習後表現編集手法を提案する。 具体的には、検出器はまずソースドメインデータに基づいて訓練され、次に特徴抽出器と分類器は凍結され、中間表現は分類の前に決定的に編集される。 ドメイン適応のために、境界源と対象表現からドメインオフセットベクトルを構築する。 ドメインの一般化のために、サンプル固有の編集をガイドするソース・ドメイン・カバー・ツー・ステゴ方向を導出する。 実験の結果,提案手法は先進的な手法と比較して,特にF1スコアにおいて高いクロスドメイン検出性能を達成できる一方で,ソースドメイントレーニング後のアーキテクチャ変更やパラメータ更新は不要であることが示唆された。

関連論文リスト

• LAB-Det: Language as a Domain-Invariant Bridge for Training-Free One-Shot Domain Generalization in Object Detection [53.988759250627425]
  物体検出のための訓練不要なワンショット領域一般化を提案する。 我々は各例を、凍結検知器を条件付けし誘導する記述テキストに投影する。 UODD (underwater) と NEU-DET (industrial defects) についての検討
  論文  参考訳（メタデータ） (2026-02-06T08:03:04Z)
• Cross-Domain Object Detection Using Unsupervised Image Translation [39.857749360034916]
  本研究では,対象領域に人工データセットを生成し,対象検出器を訓練する手法を提案する。 私たちの重要なコントリビューションは、より複雑ではなく、より効果的な方法の提案です。
  論文  参考訳（メタデータ） (2026-01-16T21:02:42Z)
• Generalize or Detect? Towards Robust Semantic Segmentation Under Multiple Distribution Shifts [56.57141696245328]
  斬新なクラスとドメインの両方が存在するようなオープンワールドシナリオでは、理想的なセグメンテーションモデルは安全のために異常なクラスを検出する必要がある。 既存の方法はドメインレベルとセマンティックレベルの分散シフトを区別するのに苦労することが多い。
  論文  参考訳（メタデータ） (2024-11-06T11:03:02Z)
• Pseudo-label Based Domain Adaptation for Zero-Shot Text Steganalysis [10.587545153412314]
  擬似ラベルとドメイン適応(教師なし学習)に基づくドメイン間ステゴテキスト分析法(PDTS) 我々は、ラベル付きソースドメインデータを用いてモデルをトレーニングし、自己学習を通じてラベルなしのターゲットドメインデータに対して擬似ラベルを用いて、ターゲットドメインデータ分布に適応する。 実験結果から,本手法はゼロショットテキストステガナリシスタスクにおいて良好に動作し,対象領域にラベル付きデータがない場合でも高い検出精度を実現し,現在のゼロショットテキストステガナリシス手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-06-01T04:19:07Z)
• Graph Adaptive Semantic Transfer for Cross-domain Sentiment Classification [68.06496970320595]
  クロスドメイン感情分類(CDSC)は、ソースドメインから学んだ伝達可能なセマンティクスを使用して、ラベルなしのターゲットドメインにおけるレビューの感情を予測することを目的としている。 本稿では、単語列と構文グラフの両方からドメイン不変セマンティクスを学習できる適応型構文グラフ埋め込み法であるグラフ適応意味伝達(GAST)モデルを提案する。
  論文  参考訳（メタデータ） (2022-05-18T07:47:01Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)
• Robust Domain-Free Domain Generalization with Class-aware Alignment [4.442096198968069]
  ドメインフリードメイン一般化(DFDG)は、目に見えないテストドメインでより良い一般化性能を実現するモデル非依存の方法である。 DFDGは新しい戦略を用いてドメイン不変なクラス差別的特徴を学習する。 時系列センサと画像分類公開データセットの両方で競合性能を得る。
  論文  参考訳（メタデータ） (2021-02-17T17:46:06Z)
• Unsupervised Cross-domain Image Classification by Distance Metric Guided Feature Alignment [11.74643883335152]
  教師なしドメイン適応は、ソースドメインからターゲットドメインに知識を転送する有望な道である。 本稿では,距離メトリックガイド機能アライメント(MetFA)を提案する。 我々のモデルは、クラス分布アライメントを統合して、ソースドメインからターゲットドメインにセマンティック知識を転送します。
  論文  参考訳（メタデータ） (2020-08-19T13:36:57Z)
• Cross-domain Detection via Graph-induced Prototype Alignment [114.8952035552862]
  カテゴリレベルのドメインアライメントを求めるグラフ誘発プロトタイプアライメント(GPA)フレームワークを提案する。 さらに,クラス不均衡がドメイン適応に与える影響を軽減するために,クラス重み付きコントラスト損失を設計する。 我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2020-03-28T17:46:55Z)
• Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
  ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。 本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-03-04T23:25:09Z)
• Unsupervised Domain Adaptive Object Detection using Forward-Backward Cyclic Adaptation [13.163271874039191]
  本稿では,フォワード・バック・サイクリック(FBC)トレーニングによる物体検出のための教師なし領域適応手法を提案する。 近年, 対角訓練に基づく領域適応法は, 限界特徴分布アライメントによる領域差最小化に有効であることが示された。 本稿では,後方ホッピングによるソースからターゲットへの適応と,前方通過によるターゲットからソースへの適応を反復的に計算するフォワード・バック・サイクル適応を提案する。
  論文  参考訳（メタデータ） (2020-02-03T06:24:58Z)

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。