論文の概要: A Comprehensive Survey on Linguistic Steganography: Methods, Countermeasures, Evaluation, and Challenges

• arxiv url: http://arxiv.org/abs/2608.29077v1
• Date: Sat, 29 Aug 2026 06:09:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.832636
• Title: A Comprehensive Survey on Linguistic Steganography: Methods, Countermeasures, Evaluation, and Challenges
• Title（参考訳）: 言語ステレオグラフィに関する包括的調査:方法,対策,評価,課題
• Abstract要約: 言語ステガノグラフィーは、自然言語のテキストに秘密のメッセージを隠している。 大規模な言語モデルがフィールドを再構築したが、これらの散在した進歩がこの新しい時代にどのようにしてフィールドを再構築したかについて体系的な説明はいまだに欠落している。 我々は4つの軸について,128個のステガノグラフィー法,60個の言語的ステガナリシス対策,23個の評価指標,9つのオープン課題について検討した。
• 参考スコア（独自算出の注目度）: 31.526664886872187
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Linguistic steganography hides secret messages in natural language text. Large language models (LLMs) have reshaped the field, but a systematic account of how these scattered advances collectively reshape the field in this new era is still missing. We provide one along four axes: 148 steganographic methods, 60 linguistic steganalysis countermeasures, 23 evaluation metrics, and 9 open challenges, each with taxonomies, reviews, and adoption analyses. Cutting across these axes, we identify five specific paradigm shifts in the LLM era: (1) from covertext modification to prompt-only generation, (2) from heuristic to provable security, (3) from white-box symmetric LMs to black-box or asymmetric access, (4) from security-centric designs to joint optimization, and (5) from text-quality concerns to engineering issues. The survey aims to serve as both a reference and a roadmap for practical and responsible linguistic steganography in the LLM era.
• Abstract（参考訳）: 言語ステガノグラフィーは、自然言語のテキストに秘密のメッセージを隠している。 大規模言語モデル(LLM)は、この分野を形作り直したが、これらの散在した進歩の体系的な説明が、この新しい時代の分野を集合的に再形成する方法は、いまだに欠落している。 本研究は, 分類学, レビュー, 導入分析の4つの課題として, ステガノグラフィー手法128, 言語的ステガナリシス対策60, 評価指標23, オープンチャレンジ9の4つについて検討した。 これらの軸を切ることで,(1)カバーテキスト修正からプロンプトのみの生成,(2)ヒューリスティックから証明可能なセキュリティ,(3)ホワイトボックス対称LMからブラックボックス,あるいは非対称アクセス,(4)セキュリティ中心の設計から共同最適化,(5)テキスト品質の問題からエンジニアリング問題への5つのパラダイムシフトを特定する。 この調査は、LLM時代の実践的かつ責任ある言語ステガノグラフィーの基準およびロードマップとして機能することを目的としている。

関連論文リスト

• Don't Judge a Book by its Cover: Testing LLMs' Robustness Under Logical Obfuscation [3.9997332571742934]
  我々は、4つの推論タスクにまたがる1,108の質問を伴う、第一種診断ベンチマークであるLogiQAteを提示する。 難読化はゼロショット性能を著しく低下させ, GPT-4oでは平均47%, GPT-5では27%, 推論モデルでは22%, o4-miniで平均47%低下した。
  論文  参考訳（メタデータ） (2026-02-01T10:04:22Z)
• A Multilingual, Large-Scale Study of the Interplay between LLM Safeguards, Personalisation, and Disinformation [12.577461004484604]
  本研究では,Large Language Models (LLMs) によるペルソナ対象の偽情報生成の大規模多言語解析を行った。 我々は、AI-TRAITSにおいて、英語、ロシア語、ポルトガル語、ヒンディー語という4つの言語にまたがる324の虚偽の物語と150の人口的ペルソナを持つ8つの最先端のLLMを推進します。 結果は、たとえ単純なパーソナライゼーションでも、脱獄の可能性が著しく増加することを示している。
  論文  参考訳（メタデータ） (2025-10-14T21:10:50Z)
• Two Birds with One Stone: Multi-Task Detection and Attribution of LLM-Generated Text [4.753395401707132]
  DA-MTLは、テキスト検出と著者の属性を同時に扱うマルチタスク学習フレームワークである。 DA-MTLを9つのデータセットと4つのバックボーンモデルで評価し、複数の言語で高い性能を示す。
  論文  参考訳（メタデータ） (2025-08-19T18:23:30Z)
• MDK12-Bench: A Comprehensive Evaluation of Multimodal Large Language Models on Multidisciplinary Exams [50.293164501645975]
  MLLM(Multimodal large language model)は、言語と視覚を統合して問題解決を行う。 MLLMのインテリジェンスを測定するための現在のベンチマークは、限られた規模、狭い範囲、構造化されていない知識に悩まされている。 MDK12-Benchは、6つの分野にまたがる実世界のK-12試験から構築された大規模マルチディシプリナベンチマークである。
  論文  参考訳（メタデータ） (2025-08-09T06:21:10Z)
• Polymath: A Challenging Multi-modal Mathematical Reasoning Benchmark [53.61633384281524]
  PolyMATHはMLLMの認知的推論能力を評価するためのベンチマークである。 PolyMATHで最高のスコアは41%、36%、27%で、それぞれClaude-3.5 Sonnet、GPT-4o、Gemini-1.5 Proが獲得した。 さらにきめ細かい誤差解析により、これらのモデルは空間関係を理解し、引き出された高レベルの推論を行うのに苦労していることが明らかとなった。
  論文  参考訳（メタデータ） (2024-10-06T20:35:41Z)
• Learning to Rewrite: Generalized LLM-Generated Text Detection [19.9477991969521]
  大規模言語モデル(LLM)は、非現実的コンテンツを生成し、大規模に偽情報を拡散する際に大きなリスクをもたらす。 本稿では、未知の領域に例外的な一般化を伴うAI生成テキストを検出するための新しいフレームワークであるLearning2Rewriteを紹介する。
  論文  参考訳（メタデータ） (2024-08-08T05:53:39Z)
• SORRY-Bench: Systematically Evaluating Large Language Model Safety Refusal [64.9938658716425]
  SORRY-Benchは、安全でないユーザ要求を認識し拒否する大規模言語モデル(LLM)能力を評価するためのベンチマークである。 まず、既存の手法では、安全でないトピックの粗い分類を使い、いくつかのきめ細かいトピックを過剰に表現している。 第二に、プロンプトの言語的特徴とフォーマッティングは、様々な言語、方言など、多くの評価において暗黙的にのみ考慮されているように、しばしば見過ごされる。
  論文  参考訳（メタデータ） (2024-06-20T17:56:07Z)
• Grammatical Error Correction: A Survey of the State of the Art [15.174807142080187]
  文法的誤り訂正(英: Grammatical Error Correction, GEC)は、テキスト中のエラーを自動的に検出し、修正するタスクである。 この分野は過去10年間で大きな進歩を遂げており、一部は5つの共有タスクによって動機付けられている。
  論文  参考訳（メタデータ） (2022-11-09T19:34:38Z)
• Positioning yourself in the maze of Neural Text Generation: A Task-Agnostic Survey [54.34370423151014]
  本稿では, ストーリーテリング, 要約, 翻訳など, 世代ごとのタスクインパクトをリレーする手法の構成要素について検討する。 本稿では,学習パラダイム,事前学習,モデリングアプローチ,復号化,各分野における重要な課題について,命令的手法の抽象化を提案する。
  論文  参考訳（メタデータ） (2020-10-14T17:54:42Z)
• Near-imperceptible Neural Linguistic Steganography via Self-Adjusting Arithmetic Coding [88.31226340759892]
  本稿では,ニューラルネットワークモデルに基づく自己調整型算術符号を用いた秘密メッセージを符号化する新しい言語ステガノグラフィー手法を提案する。 人間の評価によると、生成されたカバーテキストの51%は、実際に盗聴器を騙すことができる。
  論文  参考訳（メタデータ） (2020-10-01T20:40:23Z)

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。