基于LLM的语言隐写分析：两种高效检测强隐蔽隐写文本的模式
计算与语言
2024-06-24 v2
摘要
为了在复杂场景中检测隐写文本，具有不同动机的语言隐写分析（LS）已被提出并取得了优异性能。然而，随着生成式隐写术的发展，一些隐写文本具有很强的隐蔽性，特别是在基于LLM的隐写术出现后，现有的LS检测率低或无法检测。我们设计了一种新颖的LS，具有两种模式，称为LSGC。在生成模式中，我们创建了LS任务“描述”，并利用LLM的生成能力来解释待检测文本是否为隐写文本。在此基础上，我们重新思考了LS和LLM的原理，并提出了分类模式。在该模式中，LSGC删除了LS任务“描述”，并使用“因果LM”LLM来提取隐写特征。仅需一次模型前向传播即可提取LS特征，并添加一个具有初始化权重的线性层以获得分类概率。在强隐蔽隐写文本上的实验表明，LSGC显著提高了检测性能，达到了SOTA水平。此外，分类模式下的LSGC在保持高性能的同时大大减少了训练时间。
引用
@article{arxiv.2406.04218,
title = {Linguistic Steganalysis via LLMs: Two Modes for Efficient Detection of Strongly Concealed Stego},
author = {Yifan Tang and Yihao Wang and Ru Zhang and Jianyi Liu},
journal= {arXiv preprint arXiv:2406.04218},
year = {2024}
}