本文探讨通过神经语言隐写术发送信息时发现语句分词的模棱两可性会导致解码失败问题并提出解决方案。

Nov, 2022

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

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

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。

Mar, 2024

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

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

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

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

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

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