Linguistic Steganalysis in Few-Shot Scenario论文阅读笔记

TIFS期刊 A类期刊

新知识点

Introduction

Linguistic Steganalysis in Few-Shot Scenario模型是个预训练方法。
评估了四种文本加密分析方法，TS-CSW、TS-RNN、Zou、SeSy，用于分析和训练的样本都由VAE-Stego生产(编码方式使用AC编码)。
实验是对比在少样本的情况下，各个模型的效果，当训练样本少于10的时候(few-shot)，上面提到的TS-CSW和TS-RNN的表现都不好。
Zou和SeSy的方法用了pre-trained language mode，当训练标记样本到达1000的时候表现更好。
TS-CSW和TS-RNN的方法当样本达到10000的时候表现也很好。
表明，现有的分析网络需要大量样本作为训练的铺垫。

之前的文章 Few-shot text steganalysis based on attentional meta-learner[30]这篇文章考虑了few-shot的问题，但是作者的评价是：

Although this linguistic steganalysis method performs well when combined with multi-task scenario, there are some
problems in practical applications. Firstly, this method may not be able to demonstrate its advantages when there are
too few labeled samples to constitute multi-task, which limits its scope of application. Secondly, it is time-consuming
and labor-intensive to label samples accurately with various embedding rates and steganography algorithms

为了分析现实世界的实用场景，这篇文章只关注只有少量标记样本的实际场景(practiacl scenario)。
实验
第一阶段用 labeled data 去 fune-tune pretrained language model
第二阶段用 unlabeled data去进行 self-training(这个没太懂场景和效果问题)

总结的文本分析所用的方法和模型。

这是作者所用的模型，她提出了一个概念是，在slef-training的模型中，通过无标签(不知道是否是stego还是正常的cover)的文本来进行分析，选择more obvious and easier samples去标记pseudo-labeled(伪标记) dataset---------$D_p$。$D_p$便于后续的训练过程，提取和学习足够和更明显的特征，逐渐澄清分布差异。我们可以重复这个过程，然后得到了一种有效的少镜头语言步进分析方法。

basic model

对于基础模型，通过已标记数据集$D_l$来训练模型$B^W(\ast )$(Bert)。
训练的损失函数是：

$N_s$是batch size,y_hat是预测结果，y是真实结果。

Self-Training Framework

其中的MC dropout是一种选择模型确定性较大的label给数据贴上。(个人理解类似于max_pooling，通过多次的选取特征明显的值来获取模型最能分辨的一些语句)。
MC dropout
其中 6 ，7 ，8 ，9 ，10几个公式在论文中展示了，效果就是从无标签的文本中选出最大特征的数据(这种数据对于basic model的训练效果最佳)，从而实现对于整个模型的正循环的训练。

实验

dataset
使用IMDB和Twitter、News的文本，然后使用BERT-LSTM的架构训练一个VAE-stego的加密模型，对于每个模型，都使用了HC(Huffman Coding)和AC(Arithmetic Coding)两种编码方式来实现。
选择了嵌入率是，HC的candidate pool size 设为了32，每个单词的平均嵌入bit约为5。
AC的candidate pool size 设为了dictionary size，每个单词的平均嵌入bit约为7。
experimental settings
实验模型使用的bert，12层transformer，hidden dimension为768， 最大句子长度是128。
相同的steganalysis methods，做了对比试验，都使用bert作为基本模型，使用了 Zou，SeSy和FSStega进行了对比，在训练labeled sample小于等于10的情况下，作者的准确率(acc)要高于其他几个10%左右。

performance on unlabeled dataset
为了模拟真实场景(因为真实场景所含有的加密的样本比较少)，作者把Cover:Stego的比例从2：1调整到1：0。然后在IMDB数据集上面的AC编码进行训练。由于训练的样本较少，基础模型不稳地，所以这次训练选择使用30个banlance labeled samples对之前的basic model进行再训练，然后再用unbalanced(正负样本比例不均衡) 和 unlabeled dataset对self-training进行训练。

Performance on Unlabeled Datasets With Mixed Language Styles
把三个数据集混合进行训练，按占比不同做新的数据集训练，然后按照训练的步骤再进行实验分类。

a是只进行basic model训练后的分类结果，b是通过unlabeled数据集训练后的分类结果，c是把a和b训练好的最终模型，来进行分类的结果(b产生的sample再进行a训练，把a的模型训练到最佳)。

Generality Test

一共六个数据集，选用了IMDB的AC编码的数据集，来进行对其他5个数据集的验证测试。

Efficiency Test

训练好的模型，做加密分析检测一次所需要的时间/内(显)存。

Hyper-Parameters Adoption

其中$\theta$是当unlableed产生假标记的数据后，labeled的数据(原始数据)再放进去训练basic model的比例(100%)则为完全的有监督学习。

其中的$\alpha$是等式9的可更改选择加标签数据的比例。

作者做的实验是真的全面，佩服！