可逆ステガノグラフィのためのBayesニューラルネットワーク【JST・京大機械翻訳】

Chang Ching-Chun

プレプリント

J-GLOBAL ID：202202217577266305 整理番号：22P0024715

可逆ステガノグラフィのためのBayesニューラルネットワーク【JST・京大機械翻訳】

Bayesian Neural Networks for Reversible Steganography

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (1件)：
資料名：
発行年： 2022年01月07日プレプリントサーバーでの情報更新日： 2023年03月07日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

深層学習における最近の進歩は,可逆的ステガノグラフィの分野におけるパラダイムシフトをもたらした。可逆ステガノグラフィの基本ピラーは,深いニューラルネットワークを介して実現できる予測モデリングである。しかし,非自明な誤差が,いくつかの分布外と雑音の多いデータについての推論に存在する。この課題を考慮して,Bayes深層学習の理論的フレームワークに基づく予測モデルの不確実性を考察し,それによって適応ステガノグラフィシステムを作成した。ほとんどの最新の深層学習モデルは,不確実性測定の提供に失敗しながら予測を提供するので,決定論的と見なされる。Bayesニューラルネットワークは,深い学習に確率的展望をもたらし,自己意識知的機械と見なすことができる。すなわち,それ自身の限界を知っている機械である。不確実性を定量化するため,Bayes統計を適用して予測分布をモデル化し,確率的フォワードパスによるモンテカルロサンプリングにより近似した。さらに,予測の不確実性は,アリータリックとエピステリックの不確実性に解き,これらの量は教師なしに学習できることを示した。実験結果は,ステガノグラフィレート歪性能に関するBayes不確実性解析による改良を示した。【JST・京大機械翻訳】

, , , , , , , ,
, , , , , , , , 【Automatic Indexing@JST】

人工知能

前のページに戻る