通过使用注意力机制和概率分布理论的英语翻译来实现语言隐形图的新方法
1School of Foreign Languages, Xi'an Shiyou University, Xi'an, China.
PloS one
|January 2, 2024
概括
这项研究介绍了NMT-stega,一种使用神经机器翻译的新型语言石学方法. NMT-stega增强了文本安全性和翻译质量,在反盗版任务中表现优于现有的方法.
科学领域:
- 自然语言处理自然语言处理.
- 计算语言学 计算语言学
- 信息安全 信息安全
背景情况:
- 建模远程语义依赖对于高级NLP任务至关重要.
- 现有的语言隐藏法方法在维护文本质量和安全性方面面临挑战.
- 神经机器翻译 (NMT) 为复杂的信息嵌入提供了潜力.
研究的目的:
- 引入NMT-stega,一种使用基于注意力的NMT进行语言隐形图的新方法.
- 为了优化翻译准确度和嵌入秘密信息而不会降低文本质量.
- 改进隐藏信息技术的反隐藏功能.
主要方法:
- 利用基于注意力的NMT模型进行翻译和秘密信息嵌入.
- 开发了一个基于概率差异的动态词汇选择策略,以管理嵌入能力.
- 通过超参数将先前知识纳入,以平衡源文本和目标文本贡献.
- 在一个大规模的中英语语库上进行实验.
主要成果:
- NMT-stega在反稳定图任务中表现出卓越的表现,优于其他替代品.
- 在 NFZ-WDA (53) 和 LS-CNN (56.4) 级分析模型中获得高分.
- 保持强大的语义关系 (语义距离 87.916) 即使在较长的句子 (平均. 47个字). 这是一个很好的例子.
- 取得了令人印象深刻的双语评估理解 (42.103) 和困惑 (23.592) 的成绩.
结论:
- NMT-stega是语言隐形图的有效方法,平衡嵌入速率,文本质量和安全性.
- 提议的动态单词选择政策和先前知识的整合提高了稳定性.
- NMT-stega显著提升了安全信息嵌入和机器翻译的最新技术.
