内容范围与来源
关于这份阅读列表
用语言模型生成承载秘密消息的文本。
本列表由 Yuntian Deng 整理。Yuntian Deng 是 Neural Linguistic Steganography（Ziegler、Deng 和 Rush，2019）的作者之一。
编码与消息恢复
词表分组、Huffman 编码、算术编码和耦合决定秘密比特与生成文本之间的映射。分布分析衡量编码器对语言模型输出分布的影响；分词可靠性研究检查生成词元经过文本转换后，接收方能否恢复秘密消息。
术语
“神经语言隐写”对应 neural linguistic steganography；“生成式文本隐写”指在文本生成过程中嵌入秘密消息的方法。“词元（token）”是模型处理的离散单位，“嵌入率”衡量每个词或词元承载的比特数。“统计隐蔽性”关注概率分布与检测，“感知隐蔽性”关注人对文本的判断。
《多媒体隐写研究进展》讨论了文本隐写及其评价维度。
论文日期与版本
Neural Linguistic Steganography 首次提交 arXiv 的日期是 2019 年 9 月 3 日，正式发表于 2019 年 11 月的 EMNLP-IJCNLP。引用 arXiv 预印本时注明版本号；引用正式发表版本时使用会议或期刊信息。
原始研究与演示
Zachary M. Ziegler* 与 Yuntian Deng* 同等贡献，与 Alexander M. Rush 共同完成 Neural Linguistic Steganography。工作结合算术编码与大型预训练语言模型，研究编码、诱导分布、消息容量和生成文本质量。STEGASURAS 演示秘密消息的编码与解码。