論文の概要: HiTMS: A High-Throughput Multi-Stream Linguistic Steganography Framework
- arxiv url: http://arxiv.org/abs/2607.23597v2
- Date: Wed, 29 Jul 2026 11:57:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-30 14:21:10.704764
- Title: HiTMS: A High-Throughput Multi-Stream Linguistic Steganography Framework
- Title（参考訳）: HiTMS: 高速マルチストリーム言語ステレオグラフィーフレームワーク
- Abstract要約: 生成言語ステガノグラフィーは、大きな言語モデルのサンプリングランダムネスの中に秘密のビットを隠蔽する。
既存のスキームはシングルストリームであり、単一のプロンプトに対する単一の応答を通じて秘密全体を伝達する。
本稿では,複数の応答に対して秘密を分散するHiTMS(High-Throughput Multi-Stream)フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 16.259842401378197
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative linguistic steganography conceals secret bits within the sampling randomness of large language models. Existing schemes are single-stream, conveying an entire secret through a single response to a single prompt. This convention incurs limitations: it provides no protocol-level support for batched multi-stream inference, and naive co-batching does not conceal slot occupancy or payload completion. We propose the High-Throughput Multi-Stream (HiTMS) framework, which distributes a secret across multiple responses produced jointly over successive rounds of interaction. Each round embeds and extracts several streams within a single batched call, thereby amortizing the cost of model invocation and substantially improving throughput. To ensure recoverability, HiTMS wraps each response in a self-describing frame and employs a key-derived schedule that binds streams to slots and fills unused slots with decoys, guaranteeing exact recovery while concealing the number of active streams. The framework is agnostic to both the language model and the steganographic coder. Across eight dataset-model-coder settings, eight-stream HiTMS achieves up to 4.3 times higher embedding and extraction speeds than single-stream baselines, while reducing the average area under the receiver operating characteristic curve (AUROC) of steganalyzers from 0.681 to 0.601. Experiments with 4 to 64 streams demonstrate sustained throughput gains as concurrency increases. GitHub repository for this work is https://github.com/ryehr/HiTMS_steganography.
- Abstract（参考訳）: 生成言語ステガノグラフィーは、大きな言語モデルのサンプリングランダムネスの中に秘密のビットを隠蔽する。
既存のスキームはシングルストリームであり、単一のプロンプトに対する単一の応答を通じて秘密全体を伝達する。
この規約では、バッチ化されたマルチストリーム推論に対するプロトコルレベルのサポートは提供されず、単純で効率的なコバッチはスロット占有率やペイロード完了を隠さない。
本稿では, 連続する対話ラウンドにまたがって生成した複数の応答に秘密を分散するHiTMS(High-Throughput Multi-Stream)フレームワークを提案する。
各ラウンドは、単一のバッチコール内に複数のストリームを埋め込み、抽出することで、モデル呼び出しのコストを減らし、スループットを大幅に改善する。
回復性を確保するため、HiTMSは各レスポンスを自己記述フレームにラップし、ストリームをスロットにバインドし、未使用のスロットをデコイで満たし、アクティブストリームの数を隠蔽しながら正確なリカバリを保証するキー由来のスケジュールを使用する。
フレームワークは言語モデルとステガノグラフコーダの両方に依存しない。
8つのデータセットモデルコーダ設定で、8ストリームHiTMSは1ストリームベースラインよりも最大4.3倍の埋め込みと抽出速度を実現し、ステガナライザーの受信動作特性曲線(AUROC)の平均面積を0.681から0.601に削減した。
4ストリームから64ストリームの実験では、並行処理の増加に伴ってスループットが持続的に向上することを示した。
GitHubリポジトリはhttps://github.com/ryehr/HiTMS_steganographyである。
関連論文リスト
- S$^3$AM: A Single-Stream SAM with Reliability-Calibrated Frequency Adapter for Multi-modal Salient Object Detection [74.15663758681849]
シングルストリームフレームワークは、信頼性キャリブレーションされた周波数適応をMSOD用のSAMバックボーンに組み込む。
RGB-D、RGB-T、RGB-NIRの正当性オブジェクト検出ベンチマークの実験により、提案フレームワークが競合性能を達成することを確認した。
論文 参考訳（メタデータ） (2026-08-18T08:05:00Z) - AURORA-LM: Autoencoding Unified Representation for Continuous-Latent Diffusion Language Modeling [60.04959047453115]
AURORA-LMは、デオード可能なテキスト表現の構築と、その分布のモデル化を分離した連続ラテント言語モデルである。
AURORA-LM は OpenWebText のフリージェネレーションと XSum の要約で評価された連続および拡散に基づく言語モデルの中で最も高い性能を達成している。
論文 参考訳（メタデータ） (2026-08-03T17:59:50Z) - Constrained Decoding for Diffusion Language Models via Efficient Inference over Finite Automata [57.27430779838529]
有限オートマトンとして表現可能な任意の制約の下で,制約付き平均場後部からサンプリングする,正確かつトラクタブルなアルゴリズムを提案する。
このアプローチは、構築による制約満足度を保証し、欲求とサンプリングベースのデコーディングの両方をサポートし、並列およびブロックワイドデコーディングと互換性がある。
Dream-7B と LLaDA-8 の実証的な評価は、様々なタスクにおいてかなりの精度の向上を示した。
論文 参考訳（メタデータ） (2026-07-08T05:48:57Z) - An Efficient vLLM-Based Inference Pipeline for Unified Audio Understanding and Generation [63.50393485685279]
音声の理解と生成を統一する vLLM ベースの推論パイプラインを提案する。
共有直観自由誘導(CFG)のスループットを克服する。
連続バッチ内でペア条件と非条件要求を共スケジューリングすることにより、CFGの実装は、非CFGスループットの80%を維持できます。
論文 参考訳（メタデータ） (2026-07-02T12:55:11Z) - Steganography Without Modification: Hidden Communication via LLM Seeds [4.729777380019769]
広範にデプロイされたLarge Language Model (LLM) 推論スタックは,モデル重み付けやサンプリングコード,出力分布の変更を必要としない,ステガノグラフィーチャネルを備えていることを実証する。
送信者は、生成前にPRNGシードにシークレットメッセージをエンコードし、受信機は間隔を再構築してシードを回収する。
既知のプロンプト設定では、完全な232候補空間からの完全な32ビットのシードリカバリは、モデルとテキスト領域によって最大100%の精度を達成する。
論文 参考訳（メタデータ） (2026-06-08T07:32:44Z) - Every Bit, Everywhere, All at Once: A Binomial Multibit LLM Watermark [16.543554028816477]
トークン位置毎にペイロードのすべてのビットをエンコードするために二項符号化を導入する。
我々は、エンコーディングの圧力を未符号化ビットに動的にリダイレクトするステートフルエンコーダを用いて、我々のアプローチを補完する。
提案手法は,メッセージの精度とロバスト性を向上し,ベースライン手法とのギャップを拡大する。
論文 参考訳（メタデータ） (2026-05-12T07:14:45Z) - LatticeBridge: Rare-Event Sequential Inference for Faithful Structured Sequence Synthesis [0.5729426778193398]
構造的シーケンス生成は、1つの出力で複数の入力由来の制約を満たすためにモデルを必要とすることが多い。
LatticeBridgeは、コンパクトなプレフィックス言語モデル、インスタンスコンパイルされたサーフェスオートマトン、およびねじれたシーケンシャルなモンテカルロデコーダを組み合わせる。
LatticeBridgeは正確なアンカー満足度と平均アンカーカバレッジを向上させる。
論文 参考訳（メタデータ） (2026-04-22T09:24:25Z) - Pushing the Limits of On-Device Streaming ASR: A Compact, High-Accuracy English Model for Low-Latency Inference [5.685908474026849]
エッジデバイス上での高品質な自動音声認識(ASR)は、GPUアクセラレーションなしでCPUで完全に動作している間に、精度、レイテンシ、メモリフットプリントを共同で最適化するモデルを必要とする。
我々は,エンコーダデコーダ,トランスデューサ,LDMベースのパラダイムを包含し,バッチ,チャンク,ストリーミング推論モードで評価する,最先端のASRアーキテクチャの体系的研究を行った。
推奨構成であるint4 k-quant変種は、8つの標準ベンチマークで平均8.20%のストリーミングWERを実現し、0.56秒のアルゴリズムレイテンシでCPU上でのリアルタイムよりも快適に動作します。
論文 参考訳（メタデータ） (2026-04-16T00:04:32Z) - OmniTrace: A Unified Framework for Generation-Time Attribution in Omni-Modal LLMs [31.589945976149973]
我々は、Attributionを世代追跡問題として形式化する軽量でモデルに依存しないフレームワークであるOmniTraceを紹介した。
本研究では, 世代別スパンレベルの属性が, 自己帰属よりも安定かつ解釈可能な説明をもたらすことを示す。
この結果から,属性を構造化された生成時トレース問題として扱うことは,オムニモーダル言語モデルにおける透明性のスケーラブルな基盤となることが示唆された。
論文 参考訳（メタデータ） (2026-03-20T17:25:00Z) - Cheers: Decoupling Patch Details from Semantic Representations Enables Unified Multimodal Comprehension and Generation [66.53544128707817]
Cheersは、パッチレベルの詳細をセマンティック表現から切り離す、統一されたマルチモーダルモデルである。
チェアは視覚的理解と生成の両方において、高度なUMMと一致または超えます。
論文 参考訳（メタデータ） (2026-03-13T08:55:27Z) - dParallel: Learnable Parallel Decoding for dLLMs [77.24184219948337]
拡散大言語モデル(dLLM)は並列トークン予測と低推論遅延を提供する。
既存のオープンソースモデルは、パフォーマンスを確保するためにトークン長のデコードステップをほとんど必要としています。
高速サンプリングのためにdLLMs固有の並列性を解き放つシンプルで効果的な方法であるdParallelを導入する。
論文 参考訳（メタデータ） (2025-09-30T16:32:52Z) - Diffusion Language Models Know the Answer Before Decoding [56.96815863705218]
拡散言語モデル (DLM) は自己回帰的アプローチの代替として登場した。
我々の研究は、DLMの早期回答収束の見過ごされた特性を強調し、活用する。
Prophetは、早期コミット復号を可能にするトレーニングフリーの高速復号化パラダイムである。
論文 参考訳（メタデータ） (2025-08-27T15:40:25Z)
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。