社区检测算法在揭示网络结构和挖掘数据方面具有显著优势,但也带来用户隐私泄露的潜在风险。为解决该问题,社区隐藏已成为一个广泛研究的解决方案。然而,现有的大多数社区隐藏的研究集中在拓扑网络上,在属性网络方面取得的进展很有限。...社区检测算法在揭示网络结构和挖掘数据方面具有显著优势,但也带来用户隐私泄露的潜在风险。为解决该问题,社区隐藏已成为一个广泛研究的解决方案。然而,现有的大多数社区隐藏的研究集中在拓扑网络上,在属性网络方面取得的进展很有限。针对上述问题,提出了一种基于自注意力机制的社区隐藏算法(self-attention mechanism network community hiding,SANCH)。该算法利用自注意力机制对节点属性之间的全局依赖关系进行建模,并通过整合图的结构信息生成对抗性扰动。它计算节点之间的注意力权重以导出节点嵌入表示,随后得出链路存在的概率。基于预定义的扰动预算,该算法选择对社区结构影响最大的链路进行添加或删除,从而实现有效的社区隐藏。实验结果表明,SANCH在针对各种社区检测算法时具有出色的隐藏性能和鲁棒性。展开更多
可逆信息隐藏(reversible data hiding,RDH)失真包括像素失真和结构失真。考虑到人类视觉系统(human visual system,HVS)对图像结构失真的高敏感性,本文提出使用结构相似性指数(structural similarity index measure,SSIM)作为RDH的评...可逆信息隐藏(reversible data hiding,RDH)失真包括像素失真和结构失真。考虑到人类视觉系统(human visual system,HVS)对图像结构失真的高敏感性,本文提出使用结构相似性指数(structural similarity index measure,SSIM)作为RDH的评价指标。首先,通过分析峰值信噪比(peak signal-to-noise ratio,PSNR)与SSIM的理论增益关系,实现对两个指标的动态同步评估。随后,提出一种基于纹理区域优先选择的高SSIM的RDH方法。将载体图像划分为4个独立像素集进行图像预处理,精准找到纹理区域,进而按照背景复杂度由高到低的顺序嵌入信息。实验结果表明,优先在纹理区域中嵌入信息的策略减小了图像结构失真。在相同的嵌入率下,SSIM值及图像视觉质量均得到了提高。展开更多
文摘社区检测算法在揭示网络结构和挖掘数据方面具有显著优势,但也带来用户隐私泄露的潜在风险。为解决该问题,社区隐藏已成为一个广泛研究的解决方案。然而,现有的大多数社区隐藏的研究集中在拓扑网络上,在属性网络方面取得的进展很有限。针对上述问题,提出了一种基于自注意力机制的社区隐藏算法(self-attention mechanism network community hiding,SANCH)。该算法利用自注意力机制对节点属性之间的全局依赖关系进行建模,并通过整合图的结构信息生成对抗性扰动。它计算节点之间的注意力权重以导出节点嵌入表示,随后得出链路存在的概率。基于预定义的扰动预算,该算法选择对社区结构影响最大的链路进行添加或删除,从而实现有效的社区隐藏。实验结果表明,SANCH在针对各种社区检测算法时具有出色的隐藏性能和鲁棒性。
文摘可逆信息隐藏(reversible data hiding,RDH)失真包括像素失真和结构失真。考虑到人类视觉系统(human visual system,HVS)对图像结构失真的高敏感性,本文提出使用结构相似性指数(structural similarity index measure,SSIM)作为RDH的评价指标。首先,通过分析峰值信噪比(peak signal-to-noise ratio,PSNR)与SSIM的理论增益关系,实现对两个指标的动态同步评估。随后,提出一种基于纹理区域优先选择的高SSIM的RDH方法。将载体图像划分为4个独立像素集进行图像预处理,精准找到纹理区域,进而按照背景复杂度由高到低的顺序嵌入信息。实验结果表明,优先在纹理区域中嵌入信息的策略减小了图像结构失真。在相同的嵌入率下,SSIM值及图像视觉质量均得到了提高。
