典型文献
基于胶囊网络的多任务少样本文本隐写分析
文献摘要：
文本隐写分析是一种通过统计特征来区分载密文本和正常文本的技术.目前,最先进的文本隐写分析模型大多使用深度神经网络在单一任务上进行训练和测试.因此,现有模型在检测某种特定的隐写文本时有较好的性能.当待检测文本的领域、所使用的隐藏算法和嵌入容量发生变化时,模型的隐写分析性能会有一定程度的下降.为了增强文本隐写分析模型在不同检测任务上的快速自适应能力,并使模型能够处理少样本场景下的隐写分析任务,本文提出了一种基于胶囊网络的文本隐写分析方法.具体来说,使用带有自注意力的Bi-LSTM(Bidirectional Long Short-Term Memory)作为通用任务提取器,从支持集和查询集中获取文本的句子表示;任务映射器作为元学习者主导元训练过程,在获取支持集的句子表示后,学习单个文本与任务间的非线性映射关系;然后,将映射结果和查询集的句子表示输入分类器,度量文本与任务之间的匹配程度;最后,基于均方误差MSE(Mean Square Error)损失和KL散度(Kullback-Leibler Divergence)计算总预测损失.大量实验证明,我们的模型可以快速适应各种不同的任务,并在l-shot、5-shot和10-shot的检测任务中对三个域的平均检测精度分别达到了 85.11％、88.63％和91.91％.
文献关键词：
文本隐写分析;快速自适应;少样本学习;元学习;胶囊网络
中图分类号：
作者姓名：
杨雨;张梓葳;文娟
作者机构：
中国农业大学信息与电气工程学院 北京 100091
文献出处：
引用格式：
[1]杨雨;张梓葳;文娟-.基于胶囊网络的多任务少样本文本隐写分析)[J].计算机学报,2022(12):2592-2604
A类：
文本隐写分析
B类：
胶囊网络,多任务,统计特征,分载,密文,最先,使用深度,深度神经网络,一任,现有模型,嵌入容量,分析性能,快速自适应,自适应能力,本场,具体来说,自注意力,Bidirectional,Long,Short,Term,Memory,句子,任务映射,映射器,元学习,训练过程,学习单,非线性映射,映射关系,分类器,均方误差,MSE,Mean,Square,Error,KL,散度,Kullback,Leibler,Divergence,快速适应,shot,检测精度,少样本学习
AB值：
0.336827
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
