論文の概要: Code-Level Cost Function Generation for Spatial Image Steganography Using RAG-Enhanced Large Language Models

• arxiv url: http://arxiv.org/abs/2607.05868v1
• Date: Tue, 07 Jul 2026 05:58:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.407392
• Title: Code-Level Cost Function Generation for Spatial Image Steganography Using RAG-Enhanced Large Language Models
• Title（参考訳）: RAG強化大言語モデルを用いた空間画像ステレオグラフィーのためのコードレベルコスト関数生成
• Abstract要約: 本稿では,RAG(Retrieval-Augmented Generation)拡張言語モデルを活用した新しい進化システムを提案する。 このシステムには、Self Evolving RAG(SE-RAG)モジュールが組み込まれており、コードセマンティック署名(CSS)が手続きコードをアライメントクエリに変換する。 BOSSBaseとBOWS2データセットの実験では、提案されたフレームワークは、既存の自動設計手法よりも高いステガノグラフィセキュリティを一貫して達成している。
• 参考スコア（独自算出の注目度）: 7.391239808920929
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Designing cost functions of adaptive steganography traditionally requires extensive manual tuning, while deep learning methods lack interpretability. Although large language models (LLMs) offer an automated alternative via evolutionary generation, they often violate domain specific mathematical constraints due to a lack of explicit domain knowledge. To address this problem, we propose a novel evolutionary system focused on exploiting Retrieval-Augmented Generation (RAG) enhanced LLMs for the automatic code-level generation of spatial steganography cost functions. This system incorporates a core Self Evolving RAG (SE-RAG) module, wherein a Code Semantic Signature (CSS) translates procedural code into aligned queries, retrieving explicit guidance from static literature and dynamic experience knowledge bases to steer the LLM generation process. A dedicated feedback mechanism then continuously refines the dynamic knowledge base with successful optimization strategies. Extensive experiments on the BOSSBase and BOWS2 datasets demonstrate that the proposed framework consistently achieves higher steganographic security than existing automatically designed methods, and increases the average code execution rate by 46.3% while reducing the search cost by 26.1%, thereby highlighting the effectiveness, efficiency, and potential of combining LLMs with domain-specific knowledge in the field of automatic steganographic algorithm generation.
• Abstract（参考訳）: 適応ステガノグラフィーのコスト関数を設計するには、従来、広範囲な手動チューニングが必要であるが、ディープラーニング手法には解釈性がない。 大規模言語モデル(LLM)は進化的生成を通じて自動化された代替手段を提供するが、明示的なドメイン知識の欠如により、しばしばドメイン固有の数学的制約に違反する。 そこで本研究では,空間ステガノグラフィーコスト関数の自動コードレベル生成のために,RAG(Retrieval-Augmented Generation)拡張LDMを利用する新しい進化システムを提案する。 このシステムにはコアのSelf Evolving RAG (SE-RAG)モジュールが組み込まれており、コードセマンティックシグナチャ(CSS)はプロシージャコードをアライメントクエリに変換し、静的文学や動的経験知識ベースからの明確なガイダンスを取得してLLM生成プロセスを制御する。 専用のフィードバックメカニズムは、最適化戦略を成功させながら、動的知識ベースを継続的に洗練します。 BOSSBaseとBOWS2データセットの大規模な実験により、提案したフレームワークは、既存の自動設計手法よりも高いステガノグラフセキュリティを一貫して達成し、平均コード実行率を46.3%向上し、検索コストを26.1%削減し、自動ステガノグラフアルゴリズム生成の分野におけるLLMとドメイン固有の知識を結合する効果、効率、可能性を強調した。

関連論文リスト

• Qiskit Code Migration with LLMs [0.13683072934528265]
  本稿では,大規模言語モデル (LLM) とレトリーバル拡張生成 (RAG) を統合し,Qiskit コードのバージョン間移行を自動化するハイブリッドアプローチを提案する。 提案手法は,移動シナリオの自動分類を利用して,移動提案の精度と信頼性を向上させる。
  論文  参考訳（メタデータ） (2026-06-18T12:40:43Z)
• Programmatic Context Augmentation for LLM-based Symbolic Regression [65.01826333382738]
  大規模言語モデル(LLM)に基づく進化的探索手法が記号回帰に導入されている。 本稿では,プログラム的文脈拡張を取り入れたLLMに基づく進化的検索フレームワークを提案する。 本手法では,データ解析と情報信号抽出を積極的に行うことができる。
  論文  参考訳（メタデータ） (2026-05-04T19:34:03Z)
• Memory-Augmented LLM-based Multi-Agent System for Automated Feature Generation on Tabular Data [52.80567461420316]
  メモリ拡張LPMに基づくマルチエージェントシステム(textbfMALMAS)を提案する。 MALMASは生成プロセスを独立した責任を持つエージェントに分解し、ルータエージェントはイテレーション毎にエージェントの適切なサブセットを起動する。 さらに、手続きメモリ、フィードバックメモリ、概念記憶を含むメモリモジュールを統合し、その後の特徴生成を適応的に導く反復的改善を可能にする。
  論文  参考訳（メタデータ） (2026-04-22T07:09:30Z)
• Reasoning-Aware AIGC Detection via Alignment and Reinforcement [55.09684020007737]
  REVEALは、分類の前に解釈可能な推論チェーンを生成するフレームワークである。 複数のベンチマークで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-04-21T07:29:55Z)
• Revisiting Quantum Code Generation: Where Should Domain Knowledge Live? [0.0]
  本稿では,Qiskit-HumanEvalベンチマークを用いて,Qiskitコード生成のための特殊化戦略について検討する。 現代の汎用LLMはパラメータ特化ベースラインを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2026-03-23T16:46:39Z)
• Predict the Retrieval! Test time adaptation for Retrieval Augmented Generation [66.36556189794526]
  TTARAGは、特殊ドメインにおけるRAGシステム性能を改善するために、推論中に言語モデルのパラメータを動的に更新するテスト時適応手法である。 提案手法では,モデルが検索した内容の予測を学習し,対象領域への自動パラメータ調整を可能にする。
  論文  参考訳（メタデータ） (2026-01-16T17:07:01Z)
• DeepV: A Model-Agnostic Retrieval-Augmented Framework for Verilog Code Generation with a High-Quality Knowledge Base [13.906575706979375]
  本稿では,モデルに依存しないRAGフレームワークであるDeepVを紹介した。 我々のフレームワークは、最新の商用LLMであるOpenAIのGPT-5の恩恵を受けており、VerilogEvalベンチマークでは、ほぼ17%のパフォーマンスが向上している。
  論文  参考訳（メタデータ） (2025-10-06T19:47:27Z)
• Discrete Tokenization for Multimodal LLMs: A Comprehensive Survey [69.45421620616486]
  本研究は、大規模言語モデル(LLM)用に設計された離散トークン化手法の最初の構造的分類と解析である。 古典的および近代的なパラダイムにまたがる8つの代表的なVQ変種を分類し、アルゴリズムの原理を分析し、力学を訓練し、LLMパイプラインとの統合に挑戦する。 コードブックの崩壊、不安定な勾配推定、モダリティ固有の符号化制約など、重要な課題を特定する。
  論文  参考訳（メタデータ） (2025-07-21T10:52:14Z)
• CALM: Co-evolution of Algorithms and Language Model for Automatic Heuristic Design [11.639825726501659]
  大規模言語モデル(LLM)は、従来のコストのごく一部で自律的にハイパフォーマンスを発見できる。 本稿では,言語指導と数値指導を組み合わせたハイブリッドフレームワークを提案する。 本手法は,様々な最適化タスクにおいて,SOTA(State-of-the-art)ベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-05-18T07:48:47Z)
• Scaling Test-Time Inference with Policy-Optimized, Dynamic Retrieval-Augmented Generation via KV Caching and Decoding [2.368662284133926]
  本稿では,動的検索戦略と強化微調整により,RAG(Retrieval-Augmented Generation)システムを強化する枠組みを提案する。 我々のフレームワークは2つの補完手法を統合している: Policy-d Retrieval Augmented Generation (PORAG)とAdaptive Token-Layer Attention Scoring (ATLAS)。 我々のフレームワークは幻覚を減らし、ドメイン固有の推論を強化し、従来のRAGシステムよりも優れた効率とスケーラビリティを実現する。
  論文  参考訳（メタデータ） (2025-04-02T01:16:10Z)
• DARS: Dynamic Action Re-Sampling to Enhance Coding Agent Performance by Adaptive Tree Traversal [55.13854171147104]
  大規模言語モデル(LLM)は、自然言語処理、データ分析、ソフトウェア開発など、さまざまな領域に革命をもたらした。 符号化エージェントのための新しい推論時間計算スケーリングアプローチである動的アクション再サンプリング(DARS)を提案する。 我々は、SWE-Bench Liteベンチマークに対する我々のアプローチを評価し、このスケーリング戦略がClude 3.5 Sonnet V2で55%のパス@kスコアを達成したことを実証した。
  論文  参考訳（メタデータ） (2025-03-18T14:02:59Z)
• How to Make LLMs Strong Node Classifiers? [70.14063765424012]
  言語モデル(LM)は、グラフニューラルネットワーク(GNN)やグラフトランスフォーマー(GT)など、ドメイン固有のモデルの優位性に挑戦している。 本稿では,ノード分類タスクにおける最先端(SOTA)GNNに匹敵する性能を実現するために,既製のLMを有効活用する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-03T08:27:54Z)

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。