論文の概要: FADRW: A Feature-Aware Modulated and Dynamically Reweighted Loss for Few-Shot Linguistic Steganalysis

• arxiv url: http://arxiv.org/abs/2606.07655v1
• Date: Wed, 03 Jun 2026 07:41:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.194349
• Title: FADRW: A Feature-Aware Modulated and Dynamically Reweighted Loss for Few-Shot Linguistic Steganalysis
• Title（参考訳）: FADRW : 多孔性言語ステガナシスにおける特徴認識と動的再加重損失
• Authors: Shuo Liu, Xianghong Lin, Yukun Wei, Zhongliang Yang,
• Abstract要約: 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。 生成的ステガノグラフィーの可視性は、その特徴が良質なテキストとほとんど区別できないことを意味する。 本稿では, FADRW (Feature-Aware Modulated and Dynamically Reweighted Loss) を提案する。
• 参考スコア（独自算出の注目度）: 12.12098950924885
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The ubiquity of social media platforms facilitates malicious linguistic steganography, posing significant security risks. However, detection is severely hampered by two fundamental issues during model training. Firstly, extreme class imbalance (less than 1% steganographic samples) induces a strong decision bias. Secondly, the invisibility of generative steganography means its features are nearly indistinguishable from benign text; this similarity, compounded by their extreme rarity, leads to severe feature marginalization, where faint steganographic signals are completely overwhelmed. To directly address these optimization-level challenges, we propose FADRW (Feature-Aware Modulated and Dynamically Reweighted Loss), a novel loss function framework engineered for few-shot steganalysis. FADRW employs Dynamic Reweighting to progressively counteract decision bias, and a Feature-Aware Modulation module to structurally reshape the feature space, preventing feature marginalization by enhancing the separability of these subtle features. Extensive experiments on datasets from three real-world social platforms demonstrate that FADRW significantly outperforms state-of-the-art methods, particularly in the challenging few-shot steganographic sample scenario.
• Abstract（参考訳）: ソーシャルメディアプラットフォームの普及により、悪意のある言語的ステガノグラフィーが促進され、重大なセキュリティリスクが生じる。 しかし、モデルトレーニングにおける2つの基本的な問題により、検出が著しく妨げられる。 第一に、極端なクラス不均衡(1%のステガノグラフィーサンプル未満)は、強い決定バイアスを引き起こす。 第二に、生成的ステガノグラフィーの可視性は、その特徴が良心的テキストとほとんど区別できないことを意味しており、この類似性は、極度に希少性によって合成され、顕著な特徴の辺境化をもたらし、そこでは、かすかなステガノグラフィー信号が完全に圧倒される。 FADRW(Feature-Aware Modulated and Dynamically Reweighted Loss)を提案する。 FADRWはDynamic Reweightingを用いて決定バイアスを段階的に抑制し、特徴空間を構造的に再構成するFeature-Aware Modulationモジュールを使用して、これらの微妙な特徴の分離性を高めて特徴のマージン化を防止する。 実世界の3つのソーシャルプラットフォームからのデータセットに関する大規模な実験は、FADRWが最先端の手法、特に挑戦的な数発のステガノグラフィーのサンプルシナリオで著しく優れていることを示した。

関連論文リスト

• Mechanistically Interpreting the Role of Sample Difficulty in RLVR for LLMs [31.936873332676743]
  サンプルの難易度はRLVRに非単調な影響を及ぼすことがわかった。 ハードサンプル利用のための難易度適応戦略を提案する。
  論文  参考訳（メタデータ） (2026-05-27T12:25:57Z)
• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• Sycophancy Mitigation Through Reinforcement Learning with Uncertainty-Aware Adaptive Reasoning Trajectories [58.988535279557546]
  適応推論トラジェクトリを用いたtextbf sycophancy Mitigation を提案する。 SMARTは,分布外の入力に対して強い性能を維持しながら,サイコファンティクスの挙動を著しく低下させることを示した。
  論文  参考訳（メタデータ） (2025-09-20T17:09:14Z)
• RationAnomaly: Log Anomaly Detection with Rationality via Chain-of-Thought and Reinforcement Learning [27.235259453535537]
  RationAnomalyは、Chain-of-Thoughtファインチューニングと強化学習を相乗化することにより、ログの異常検出を強化する新しいフレームワークである。 コードとデータセットを含む、対応するリソースをリリースしました。
  論文  参考訳（メタデータ） (2025-09-18T07:35:58Z)
• Learning from Heterogeneity: Generalizing Dynamic Facial Expression Recognition via Distributionally Robust Optimization [23.328511708942045]
  Heterogeneity-Aware Distributional Framework (HDF) は、時間周波数モデリングを強化し、ハードサンプルによる不均衡を軽減するために設計された。 時間周波数分散アテンションモジュール(DAM)は、時間的一貫性と周波数ロバスト性の両方をキャプチャする。 適応最適化モジュール 分散対応スケーリングモジュール (DSM) は、動的に分類と対照的な損失のバランスをとるために導入された。
  論文  参考訳（メタデータ） (2025-07-21T16:21:47Z)
• A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
  本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。 工業画像から抽出した55個の特徴を統計的手法を用いて解析した。 これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
  論文  参考訳（メタデータ） (2024-12-11T22:12:21Z)
• Delving into Identify-Emphasize Paradigm for Combating Unknown Bias [52.76758938921129]
  同定精度を高めるため,有効バイアス強調スコアリング法(ECS)を提案する。 また, マイニングされたバイアスアライメントとバイアスコンプリケート試料のコントリビューションのバランスをとるために, 勾配アライメント(GA)を提案する。 様々な環境で複数のデータセットで実験を行い、提案されたソリューションが未知のバイアスの影響を軽減することを実証した。
  論文  参考訳（メタデータ） (2023-02-22T14:50:24Z)
• Dynamic Dual-Attentive Aggregation Learning for Visible-Infrared Person Re-Identification [208.1227090864602]
  Visible-infrared person re-identification (VI-ReID) は、歩行者検索の課題である。 既存のVI-ReID法は、識別可能性に制限があり、ノイズの多い画像に対して弱いロバスト性を持つグローバル表現を学習する傾向にある。 そこで我々は,VI-ReIDのための動的二段階集合(DDAG)学習法を提案する。
  論文  参考訳（メタデータ） (2020-07-18T03:08:13Z)

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。