Feb, 2024

增强隐写文本提取：评估自然语言处理模型对准确性和语义连贯性的影响

PDF
TL;DR该研究提出了一种新的方法，结合图像隐写术和自然语言处理大型模型，旨在提高提取隐写文本的准确性和鲁棒性。实验结果表明，LSB-NLP 混合框架在提高隐写文本提取准确性方面表现出色，特别是处理中文字符。这种跨学科方法的成功实施展示了将图像隐写术与自然语言处理技术集成解决复杂信息处理问题的巨大潜力。
发现论文，激发创造
  • 自然语言系统中的信息隐藏

    本文探讨了在自然语言系统中执行信息隐藏作为实现数据安全和保密的一种手段的自然语言隐写术（NLS）方法，提出了应对隐写文字质量等挑战的改进，以便构建更具弹性的 NLS 模型，并实现自然语言整合安全性的目标。

    Mar, 2022

  • 基于大型语言模型的生成文本隐写术

    基于大型语言模型用户界面的黑盒生成式文本隐写方法（LLM-Stega）研究了关于大型语言模型的高质量文本生成模糊了人类和机器之间的边界，通过用户界面对 LLM 进行秘密通信。通过构建关键词集合和设计一种新的加密隐写映射算法，提出了一种基于拒绝抽样优化机制来保证秘密信息的准确提取和生成隐写文本丰富语义的 LLM-Stega 方法，全面的实验表明该方法优于当前最先进的方法。

    Apr, 2024

  • 重新思考 LLM 和语言隐写分析：高效检测强隐藏隐写

    为了检测复杂场景中的隐写文本，提出了一种名为 LSGC 的新型语言隐写分析方法，其中包括生成模式和分类模式，能够显著提高检测性能并减少训练时间。

    Jun, 2024

  • 基于 BERT 和一致性编码的自回归语言隐写

    本文介绍了一种基于 BERT 和一致性编码的自回归语言隐写算法，通过使用一致性编码来弥补块编码的缺点，并通过自回归方式填充掩码位置以提高文本质量，从而取得更好的嵌入负载和系统安全之间的平衡。实验结果表明，相对于相关工作，所提出的工作提高了隐写文本的流畅度，同时保证了安全性，并在一定程度上增加了嵌入负载。

    Mar, 2022

  • 基于掩码语言模型的令人沮丧的基于编辑的语言隐写术

    本文提出了一种基于掩码语言模型的语言隐写术，它克服了传统编辑方法的繁琐规则构建，并具有更高的负载能力和更好的安全性能。此方法比生成方法更易于控制安全性和负载能力之间的权衡。

    Apr, 2021

  • LLsM：大型语言模型下的生成型语言隐写

    利用大型语言模型（LLM）的 LLsM 方案，通过微调代表语言模型的 LLM LLaMA2，并结合特定信息生成具有特定话语特征的控制性隐写文本，该方案在文本质量、统计分析、话语匹配和反隐写分析等方面优于主流基准，特别是在长篇隐写任务中具备潜在的优势。

    Jan, 2024

  • 利用轴词翻译和语义感知分箱编码实现语义保持的语言隐写

    本研究提出了一种新的语言隐写方法，通过在两种不同的语言之间枢纽给定文本，应用类似 GLS 的信息编码策略来嵌入秘密数据，从而实现高负载的嵌入，同时保持语义信息的一致性和抵抗语言隐写分析方面表现出卓越的性能。

    Mar, 2022

  • 神经语言隐写术

    利用神经语言模型和算术编码的隐写术技术，生成真实的语言覆盖句，并与语言模型分布相匹配，同时保护安全性。

    Sep, 2019

  • 使用 LSTMs 生成隐写文本

    为了保护用户隐私，我们设计了一种基于 LSTM 神经网络的语言隐写系统，可以让两个用户在不被攻击者察觉的情况下交换加密信息，并且在 Twitter 和 Enron 邮件数据集上实现了高质量的隐写文本，显著提高了加密位数。

    May, 2017

  • 大型语言模型中的重新思考：关于 STS 和 NLI

    本研究旨在重新思考大型语言模型（LLMs）时代的 STS 和 NLI。我们首先评估五个数据集上的临床 / 生物医学 STS 和 NLI 的准确性，然后评估 LLM 预测置信度及其捕捉人类集体意见的能力。我们发现 LLMs 可能能够为特定主题提供个性化描述，或以不同语调生成语义上相似的内容，但目前的 LLMs 很难做出个性化的判断或决策。我们进一步发现，零样本 ChatGPT 在临床和生物医学 STS/NLI 上的准确性与 Fine-tuned BERT-base 相当，但采样存在较大的变异性，集成结果最好。

    Sep, 2023