2017早期神经方法
Generating Steganographic Text with LSTMs
使用 LSTM 语言模型和词表分组，生成承载秘密比特流的文本。论文在推文与电子邮件上实验，研究嵌入容量与文本质量之间的关系。
首次 arXiv 提交：2017年5月30日 · ACL 2017 Student Research Workshop
原始研究文献
神经语言隐写论文阅读列表
编码方法、安全性保证、恢复可靠性，以及生成文本的相关用途。
先读方法比较指南，理解词表分组、Huffman 编码、算术编码与耦合，再进入各篇原论文。
列表按最早公开日期排序。首次预印本、在线发表与正式卷期的日期不同；引用时应使用所读版本的发表信息。
10 篇论文 · 无需 JavaScript 即可阅读全部条目
2018早期神经方法
RNN-Stega: Linguistic Steganography Based on Recurrent Neural Networks
使用循环语言模型生成载体文本，并根据候选词的条件概率动态构造定长码或 Huffman 变长码。论文评估生成效率、嵌入容量、文本质量，以及对实验所用隐写分析方法的抵抗能力。
IEEE 首次在线发表：2018年9月24日 · IEEE TIFS 2019 (online 2018)
2019安全性与分布匹配
Towards Near-imperceptible Steganographic Text
分析词表分组和变长编码如何改变语言模型的输出分布。提出 patient-Huffman：当某一步嵌入消息造成的分布偏差超过阈值时，按原模型采样，并等待后续步骤再嵌入。
首次 arXiv 提交：2019年7月15日 · ACL 2019
2019Neural Linguistic Steganography 原始研究
Neural Linguistic Steganography
将算术编码与大型预训练语言模型结合，把秘密信息编码为生成文本，并使生成分布接近语言模型分布。GPT-2 实验分别评估信息容量、统计散度和上下文续写的人工判断，并展示把自然语言消息编码为内容无关的载体文本。
首次 arXiv 提交：2019年9月3日 · EMNLP-IJCNLP 2019
2020后续扩展与可靠性
Near-imperceptible Neural Linguistic Steganography via Self-Adjusting Arithmetic Coding
提出自适应算术编码（Self-Adjusting Arithmetic Coding，SAAC），逐步选择候选词元集合的大小，以控制相对语言模型的分布偏差。论文给出隐蔽性分析，并在多个数据集上评估容量、散度和人工判断。
首次 arXiv 提交：2020年10月1日 · EMNLP 2020
2022安全性与分布匹配
Perfectly Secure Steganography Using Minimum Entropy Coupling
在信息论模型中，用耦合刻画完全安全的隐写，并用最小熵耦合刻画这类编码器中的最大信息吞吐量。论文提出迭代方法，并在文本、音频和图像模型分布上与算术编码、Meteor 和自适应动态分组比较。
首次 arXiv 提交：2022年10月24日 · ICLR 2023
2023语言模型水印
A Watermark for Large Language Models
在生成过程中温和地提高一组伪随机词元的选择概率，嵌入统计水印。论文提出无需访问语言模型的检测检验，并分析词元分布如何影响检测强度。
首次 arXiv 提交：2023年1月24日 · ICML 2023
2024智能体通信
Secret Collusion among AI Agents: Multi-Agent Deception via Steganography
形式化生成式 AI 智能体之间的秘密串通，并设计对隐蔽通信和协调能力的评估。论文研究单智能体与多智能体设置，同时分析监控及其他缓解措施的假设与限制。
首次 arXiv 提交：2024年2月12日 · NeurIPS 2024
2024后续扩展与可靠性
Provably Secure Disambiguating Neural Linguistic Steganography
提出 SyncPool，在保持模型词元分布的同时解决子词切分歧义。方法将具有前缀关系的词元分组，并使用同步伪随机采样，使接收方从转换后的文本中恢复词元选择。
首次 arXiv 提交：2024年3月26日 · IEEE TDSC 2025 (preprint 2024)
2025后续扩展与可靠性
Addressing Tokenization Inconsistency in Steganography and Watermarking Based on Large Language Models
研究生成词元序列与接收方对可见文本重新分词所得序列之间的不一致。论文为隐写提出逐步验证，为水印检测提出事后回退，并评估可靠性、文本质量和检测表现。
首次 arXiv 提交：2025年8月28日 · EMNLP 2025
没有符合筛选条件的论文。请换用更宽泛的词语或重置筛选。