提示隐写术-chatgpt
目录
背景
基于深度学习的隐写框架
-
由 编码器和解码器 组成的端到端框架
-
利用 神经网络学 习代价函数,通过运行STCs实现最小失真嵌入
- Soft Template Constraints(软模板约束)
大型语言模型
-
推理能力
- 思维链CoTs
-
‘automatic’ steganography
隐写术对象
-
数字图像–>自然语言
-
优点:文本隐写可以在噪声信道中生存
-
自然语言-策略
-
- 修改给定的载体文本的隐写文本
-
- 直接生成不含载体文本的隐写文本
-
-
隐写术
概念
-
组成
-
掩体-x
-
密钥-k
-
秘密消息-m
-
-
最简单但最有效的隐写算法是LSB替换
-
LSB 替换利用整数的奇偶性来实现信息嵌入。
-
详解
- csdn链接: LSB隐写是什么?
-
-
语言模型
-
统计方法–>递归神经网络–>Transformer(框架)
-
comment
- which makes token prediction more accurate
-
大语言模型
-
特点:体积大、参数多
- 可以解决许多复杂的任务,如数学、常识推理和符号操作
-
上下文学习、指令遵循、逐步推理
-
“自动”
Prompting Steganography
-
Zero-shot Steganography
-
not rely on any specified prompt.
- 不需要演示 和 示例
-
使得 乘数 除以 步长 模2 等于 秘密比特
-
详细算法
-
利用每个子序列和的奇偶性来携带一比特的秘密消息
-
若:奇偶校验与要编码的秘密位不匹配
- 翻转子序列的最后元素的LSB
-
-
-
-
Few-shot Steganography
-
特点
- 它为模型提供了几个直观的隐写演示或示例
-
对比
-
提示
-
figure5
- 错误 BY zero-shot
-
figure6
- 实例+提示=正确结果
-
-
嵌入
-
figure7-嵌入
- zero better
-
figure8-提取
- few better
-
-
-
prompt optimization
-
分割
-
PCEE
-
80–>40
- 80%–>90%
-
-
劣
- 相应时间变长;may不适合高级隐写技术
-
-
融合策略
-
输入多个提示
-
优化输入序列的顺序
- (受历史状态影响)(逻辑衔接)
-
循环移位排列 & 加权投票
-
-
分治
-
区别
-
子序列由上一个子序列计算出来(递归)
-
分割-预先拆分出来
-
-
-
组合(增量)
小结
LLMs具有提示推理隐写的能力
嵌入(提取)的秘密比特数增加,错误不可避免的出现
- 三个优化策略