早期神经方法
RNN-Stega: Linguistic Steganography Based on Recurrent Neural Networks
IEEE 首次在线发表： · IEEE TIFS 2019 (online 2018)
正式发表版本：2019年5月。
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。
与 Neural Linguistic Steganography 的关系
2019 年的 Neural Linguistic Steganography 在同一个 GPT-2 语言模型上实现这一工作的 Huffman 方法，与自己的算术编码方法比较。
在神经文本隐写方法指南中比较词表分组、Huffman 编码、算术编码与耦合方法。
适用范围与边界
论文讨论容量与文本质量之间的权衡，以及每一步重建 Huffman 树的开销。实验中的检测表现与保持原有概率分布的保证是不同结论。
引用这篇论文
正式发表版本
Zhong-Liang Yang, Xiao-Qing Guo, Zi-Ming Chen, Yong-Feng Huang, Yu-Jin Zhang. RNN-Stega: Linguistic Steganography Based on Recurrent Neural Networks. IEEE Transactions on Information Forensics and Security, 2019
正式发表版本 BibTeX · 正式发表版本 CSL-JSON
显示 BibTeX
@article{rnn-stega-publication,
title = {{RNN-Stega: Linguistic Steganography Based on Recurrent Neural Networks}},
author = {Yang, Zhong-Liang and Guo, Xiao-Qing and Chen, Zi-Ming and Huang, Yong-Feng and Zhang, Yu-Jin},
year = {2019},
journal = {IEEE Transactions on Information Forensics and Security},
doi = {10.1109/TIFS.2018.2871746},
pages = {1280--1295},
volume = {14},
number = {5},
publisher = {IEEE},
url = {https://ieeexplore.ieee.org/document/8470163}
}