ACLMar, 2024

零封装生成型语言隐写术

PDF
TL;DR本研究提出了一种基于上下文学习的零样本方法，用于语言隐藏，以更好地实现感知和统计上的不可察觉性，并设计了几个新的度量标准和可复现的语言评估方法来衡量隐藏文本的隐晦性。实验结果表明，该方法产生了比其他任何方法更多的无罪和可理解的隐藏文本。
generative linguistic steganographyzero-shot approachin-context learninglinguistic evaluationperceptual imperceptibility
发现论文，激发创造
  • 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

  • 可证明安全的生成式语言隐写术

    本文提出一种名为 ADG 的具有可证明安全性的生成语言隐写方法，该方法使用自适应动态分组的令牌递归嵌入秘密信息以提高安全性。 通过在三个公共语料库上进行广泛实验，证明了 ADG 的不可察觉性并成功生成几乎完美安全的隐写文本。

    Jun, 2021

  • 隐匿在眼前：走向语言隐写科学

    使用 Python 编写了一个用于推文的隐写码实现，采用插入词以隐藏数字，并使用 n-gram 频率扭曲作为插入检测度量，从而获得一种既形式化又实用的语言隐写方案，允许在编码字密度和隐秘信息的可检测性之间进行权衡。

    Dec, 2023

  • 基于自适应算术编码的几乎不可察觉的神经语言隐写术

    本研究提出了一种新的语言隐写方法，利用基于神经语言模型的自适应算术编码对秘密消息进行编码，并在四个数据集上验证了该方法的统计隐蔽性及其比之前的最先进方法在位数 / 单词和 KL 指标方面分别提高了 15.3% 和 38.9%，人类评估表明 51% 的生成的掩护文本可以愚弄窃听者。

    Oct, 2020

  • 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

  • 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

  • 采样生成隐写术

    本文提出一种新的数据驱动信息隐藏方案，称为采样生成式隐写术（GSS），引入了 Jensen-Shannon 离散度作为评估隐写术安全性的新标准。通过基于生成对抗网络训练的生成器，实现语义图像修复进而嵌入信息。实验结果表明，该方案在定性和定量评估方面具有潜力。

    Apr, 2018

  • 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