中国农业大学|对抗重构框架下的少样本领域自适应隐写文本检测(ECAI 2024 Poster+Spotlight Talk)

文摘   2024-11-20 09:00   北京  


一、方法简介


由于不断发展的隐写算法会产生不断变化的文本分布,检测隐写文本变得越来越困难。因此,无论隐写文本的分布如何,都能用稀少的实例识别隐写文本的 "少量文本隐写分析 "已成为研究热点。最先进的少量文本隐写分析依赖于类间方差,即在检测大方差类时表现令人满意,而在区分相似隐写设置的可混淆样本时却无能为力。在本文中,我们提出了一种用于文本隐写分析的对抗-重构框架,即 ARTS,它采用任务变量提取器和任务相关映射器来实现 "吸引和排斥 "过程。具体来说,在 "吸引 "阶段,我们通过对抗训练调整任务变量特征,以缩短类内距离。之后,在 "排斥 "阶段,我们通过共享矩阵计算相关性权重,并将改进后的原型投射到一个新的空间。最后计算对应惩罚项来扩大类间距离。在六个具有不同类间方差的数据集上进行的大量实验证明,我们所提出的模型优于 SOTA 模型。


二、实验评估


为了验证我们提出的ARTS方法的有效性,我们首先在三个方差较大(即易于分类)的数据集上评估了所提模型的性能。实验结果表明,与其他 SOTA 方法相比,ARTS 在少样本文本隐写分析场景中取得了显著提升。


此外,我们选取了表现较好的基线模型与ARTS在另外三个方差较小(即难于分类)的数据集上评估性能。实验结果表明,ARTS即使在更困难的分类任务中依然能够保证较高且稳定的性能。


论文信息


本文被ECAI 2024录用为海报+亮点介绍(Poster+Spotlight Talk)。作者为中国农业大学信息与电气工程学院的张梓葳,文娟(通讯作者),周应涵,郜丽婷和薛一鸣。  

Ziwei Zhang, Juan Wen*, Yinghan Zhou, Liting Gao and Yiming Xue. Domain Adaptational Steganographic Text Detection Using Few-Shot Adversary-Refinement Framework. ECAI 2024: 1856-1863.(点击下方阅读原文查看论文全文)



供稿:张梓葳,文娟

隐者联盟
本公众号主要推介多媒体、人工智能、信息安全等方面的最新研究进展,愿与同行携手,共同推动科学研究向前发展。
 最新文章