Nov, 2023

信息伪装的有效改写方法

PDF
TL;DR研究了信息伪装（ID）在计算伦理学中的作用，着重于文本改写的最佳实践，以防止在互联网上非自愿使用作者的帖子。提出了一种框架，通过迭代扰动作者帖子中的句子，并在搜索引擎中查询，欺骗 NeurIR 系统的搜索机制，成功实现 82% 的句子伪装，为研究人员在将敏感内容公开之前有效地伪装敏感内容迈出了重要一步。
information disguisecomputational ethicsnatural language processingparaphrasingneurir models
发现论文，激发创造
  • 改写可以躲避 AI 生成文本的检测，但究竟能否防御检索攻击？

    通过语义相似的生成物和检测算法，该研究提出了一种简单的防御，以增加对 AI 生成文本的检测器对抗改写攻击的鲁棒性。

    Mar, 2023

  • 文本丰富化的密集复述

    本文提出了 Dense Paraphrasing（DP）这一文本表征转化的过程，即通过对文本表达（词汇或词组）进行重写以减少歧义并使底层语义得到明确的阐述，从而改善推理和问答任务性能。同时，作者介绍了第一个完整的 DP 数据集及注释任务的范畴和设计，并通过实验取得了令人满意的结果。

    Oct, 2022

  • 深度学习下的释义识别：数据集和方法综述

    本文回顾传统和现有的改进的改写识别方法，提出了改写的一种新分类体系。探究了这种类型在流行的数据集中的表现形式以及一些类型改写的不充分表示如何影响改写识别能力，最后提出了更有效地使用 AI 进行改写检测的未来研究方向和数据集。

    Dec, 2022

  • 学习改写以进行问答

    利用释义学习问题表达的多样性来提高询问回答系统在 Freebase 和句子选择上的准确性。通过训练端到端来直接学习最有可能产生正确答案的语言表达，得到了有竞争力的结果。

    Aug, 2017

  • 信息管理中保持语义的失真用于个人隐私保护

    本研究提出了一种以语义保持的方式扭曲文本以达到保护个人隐私的方法，实验表明该方法在数据隐私保护以及特定医疗信息管理上有着实际意义.

    Jan, 2022

  • 针对神经排序模型的几乎不可察觉的文档篡改

    本研究提出了一种名为 Imperceptible DocumEnt Manipulation (IDEM) 的框架，该框架可以生成对算法和人类来说更难察觉的对抗性文档，并通过在不引入易于检测错误的情况下指导已建立的生成语言模型（例如 BART）生成连接语句，同时采用分离的位置合并策略来平衡扰动文本的相关性和一致性。实验结果表明，IDEM 可以在保持目标文档的流畅性和正确性的同时，胜过强的基准，并且将对抗文本生成与替代 NRM 的分离使 IDEM 更加强健，不受替代 NRM 质量的影响。

    May, 2023

  • 意图保持改写的意义和形式分解

    本文提出一种方法，使用变分自动编码器将问题表示为一个潜在编码空间，从而解决了语义保留和句法创新之间的平衡问题，并使用分类器和 Vector-Quantized 变分自动编码器选择不同的表面形式进行英语问题的改写。

    May, 2021

  • 通过自动爬取和对齐的句子对进行神经重述

    本文介绍了一种基于语言约束的相似性搜索方法，用于自动产生大规模对齐语料库，以解决基于神经网络的释义生成面临的数据缺乏问题。该方法在意大利语的情况下进行评估，并使用基于指针的深度神经网络架构实验。

    Feb, 2024

  • 无限 ID：通过 ID 语义解耦范式实现身份保留的个性化

    通过引入无限 - ID，将身份信息与语义解耦合的范式，提出一种在图像生成中保持身份的个性化方法。此方法通过增强车间训练，结合图像交叉注意模块和 AdaIN-mean 操作的特征交互机制，既提高了身份的保真度和语义一致性，又使得对生成图像风格的控制变得方便。对原始照片生成和风格图像生成的大量实验结果证明了该方法的优越性能。

    Mar, 2024

  • 无强监督下的习语表达释义

    本文探讨了习语句子改写的任务，提出了无监督和弱监督的方法来解决数据不足的问题，并用自动和手工评估验证了这些方法的有效性，该任务的实际用途是作为 En-De 机器翻译的预处理步骤。

    Dec, 2021