AI 어시스턴트가 다른 AI를 향한 메시지를 마주했을 때 사용자에게 이를 알릴까? 네 가지 고정된 모델-제공자 배포 환경에서 1,280개의 일반 메모 세션과 128개의 강화된 메모 세션을 통해 시뮬레이션된 소스 작업을 수행한다. 무해한 메시지와 유해한 메시지는 메시지가 없는 대조군과 함께 대응하는 평문 및 ROT13 버전을 갖는다. 관찰자는 디코더나 디코딩된 의미를 받지 않으며, 요청된 참조 코드가 검사를 유도한다. 보고를 요청하면 다른 AI를 수신자로 식별하는 규칙 감지 알림이 무해한 ROT13 메시지의 경우 53.1%포인트, 유해한 메시지의 경우 54.7%포인트 증가한다. 이는 검사, 인식 및 알림의 결합 효과이며, 결측 응답 경계는 각각 38.3--77.3 및 36.7--78.1포인트이다. 모델 기반 추적 검사를 통해 에이전트(agent)가 메시지를 해석하지만 사용자에게 알리지 않는 11건의 일반 평문 사례를 확인했다. 강화된 메모를 통해 7건의 인코딩된 누락이 검증되었으며, 일반 인코딩 누락은 검증되지 않은 상태로 남아 있다. 7건의 시뮬레이션된 파일명 유출이 정확한 검토 상태 답변과 공존하며, 2건의 답변은 심어둔 거짓 개수를 사용한다. 해석, 알림, 그리고 승인된 작업 수행은 서로 별개의 결과이다.
4D 가우시안 스플래팅(4DGS)은 고충실도 동적 재구성에 혁신을 가져왔으나, 이러한 자산의 지적 재산권을 보호하는 것은 여전히 미해결 과제로 남아 있습니다. 기존의 스테가노그래피 기법들은 기저에 있는 기구학적 다양체(kinematic manifold)를 간과하는 경우가 많아, 심각한 시간적 깜빡임(temporal flickering) 및 "FVD 붕괴(FVD collapse)"와 같은 비물리적 아티팩트를 유발합니다. 이를 해결하기 위해 본 논문에서는 높은 시공간 일관성을 유지하면서 강건한 저작권 정보를 삽입하도록 설계된 기구학적 인지 워터마킹 프레임워크인 4D-GSW를 제안합니다. 불투명도 기반 비가시성에 주로 집중했던 기존 4D 스테가노그래피와 달리, 제안하는 접근법은 모션 궤적의 물리적 일관성을 명시적으로 다룹니다. 또한 "동적 순간(Dynamic Instants)"을 식별하기 위한 시공간 곡률(Spatio-Temporal Curvature, STC) 지표를 도입하여, 워터마크 그래디언트(gradient) 주입을 적응적으로 제어함으로써 중요한 모션 다양체가 비물리적 섭동으로부터 보호되도록 합니다. 복잡한 변형 전반에서 전역적 일관성을 보장하기 위해, 시간적 궤적과 공간적 이웃 모두에서 워터마크 위상을 동기화하는 결합 HMM-MRF 에너지 최소화 모델을 정식화합니다. 나아가 비등방성 그래디언트 라우팅 메커니즘을 통해 워터마크 임베딩(embedding)이 광도 재구성 충실도와 엄격히 분리되도록 보장합니다. 광범위한 실험을 통해 제안하는 방법이 다양한 공격에 저항하고 높은 렌더링 품질과 시공간 일관성을 유지하면서 워터마크를 강건하게 은닉하는 우수한 성능을 입증했습니다.
보안에 민감한 애플리케이션에서 언어 모델 에이전트(agent)는 기밀 정보를 공개하지 않고 협력해야 하는 경우가 많습니다. 그러나 반복된 상호작용은 평범한 메시지가 공유된 은밀한 의미를 획득하도록 만들 수도 있습니다. 본 연구에서는 발신자 모델이 네 가지 비밀 상태 중 하나를 관찰하고 동일한 공개 보고서의 네 가지 요약 중 하나를 선택하는 동안 수신자 모델이 비밀 상태를 추론(inference)하려고 시도하는 모델 쌍 간의 반복 게임을 조사합니다. 연구 결과, 수신자가 비밀을 올바르게 추론했는지 여부를 나타내는 단 1비트의 피드백만으로도 모델 쌍이 비밀을 전달하는 방법을 학습할 수 있음을 확인했습니다. 이러한 학습은 제공된 코드북이나 인코딩 예시 없이 고정된 파라미터를 사용한 추론 중에 발생합니다. 또한 모의 사고 대응 작업에서 에이전트가 자체적으로 자유 형식 업데이트를 생성할 때도 이러한 효과가 지속됩니다. 10회의 독립적인 게임 전반에서, 정보 공개를 금지하는 명시적인 지침과 에이전트의 상호작용 이력에 접근할 수 없이 각 메시지를 선별하는 모니터가 존재함에도 불구하고 GPT-5.6 Sol 에이전트 쌍은 무작위 확률 25%에 비해 최종 정확도 98.8%에 도달했습니다. 따라서 에이전트의 협력을 돕는 바로 그 상호작용이 정당한 협력을 목적으로 하는 메시지를 통해 기밀 정보가 유출되도록 만들 수 있습니다.
최근 대규모 언어 모델(LLM)이 무손실 이미지 압축에서 유망한 진전을 이끌어 왔다. 그러나 기존 패러다임을 의료 영상에 직접 적용할 경우 압축 성능과 효율성 사이에서 만족스럽지 못한 트레이드오프를 겪는다. 더욱이 기존 LLM 기반 압축기는 현대 의료 환경에서 중요한 압축 과정의 보안을 종종 간과한다. 이를 위해, 우리는 새로운 무손실 압축 및 스테가노그래피 통합 프레임워크를 제안한다. 비트 평면 슬라이싱(bit plane slicing, BPS)에서 영감을 받아, 의료 영상에 프라이버시 메시지를 보이지 않는 방식으로 안전하게 임베딩하는 것이 가능함을 확인했다. 이 통찰을 바탕으로, 먼저 적응형 모달리티 분해 전략을 고안하여 전체 이미지를 두 세그먼트로 분할하고, 이후 이중 경로 무손실 압축을 위한 전역 및 지역 모달리티를 제공한다. 이중 경로 단계에서, 압축 과정의 보안을 보장하기 위해 지역 모달리티 경로 내 세분화된 메시지 스테가노그래피 알고리즘을 혁신적으로 제안한다. 제안한 해부학적 사전지식(anatomical priors) 기반 저랭크 적응(A-LoRA) 미세조정 전략과 결합하여, 광범위한 실험 결과가 압축률, 효율성 및 보안 측면에서 제안 방법의 우수성을 입증한다. 소스 코드는 공개될 예정이다.
심층 학습의 최근 발전은 스테가노그래피(steganography) 메시지 은닉을 크게 향상시켰다. 그러나 의미 있는 3D 장면 콘텐츠를 임베딩할 수 있는 3D 가우시안 스플래팅(3DGS)을 위한 일반화 가능한 스테가노그래피 접근법을 설계하는 것은 여전히 어려운 과제이다. 본 논문에서는 스테가노그래피 장면 내에 비밀 장면을 탐지 불가능하게 은닉할 수 있는 3DGS 스테가노그래피를 위한 일반화 가능한 프레임워크인 IBRSteG를 제안한다. 매개변수 생성이 특정 장면에 강하게 결합된 기존 접근법과 달리, 우리는 3D 스테가노그래피를 서로 다른 3DGS 장면에 걸쳐 일반화되는 피드포워드(feed-forward) 3D 가우시안 임베딩 프로세스로 정식화한다. 이를 실현하기 위해, 비밀 3D 가우시안 포인트의 속성을 커버 장면에 주입함으로써 장면 독립적인 임베딩 함수를 학습하는 네트워크인 GAS(Gaussian Attributes Steganographer)를 도입하여, 장면별 파인튜닝이나 최적화 없이 스테가노그래피 장면을 직접 재구성한다. 3D 가우시안을 이러한 구조화된 속성으로 변환함으로써 해당 속성은 2D 학습 패러다임과 호환되며 구조화된 특성의 이점을 활용하여 미지의 3DGS 장면에 대한 일반화를 향상시킨다. 확립된 데이터셋에 대한 광범위한 실험을 통해 IBRSteG가 높은 시각적 품질로 다양한 장면을 효과적으로 은닉할 수 있으며, 우수한 용량과 보안성을 달성함을 입증한다. 코드는 https://github.com/LingXiang2023/IBRSteG 에서 확인할 수 있다.
Increasingly autonomous agentic AI systems pose novel multi-agent risks, such as secret collusion via covert communication channels. The natural defence to these collusion attempts is to monitor plain-text communication, but the efficacy of monitors has been called into doubt by increasingly sophisticated model steganography; indeed, some theoretical schemes have been proposed that are information-theoretically or computationally indistinguishable from good-faith plain-text communication. In this paper, we demonstrate that the complexity of these schemes is no longer a safety barrier, as agentic coding models can already produce undetectable stegosystems when given realistic tool usage, such as code execution or accessing research papers through web searches. Agents also adapt when key ingredients are missing, for example, by adding model-sampling components or implementing related keyed coding schemes. We then frame tacit steganographic coordination between agents as a Schelling-point problem and introduce coordination metrics for estimating when two agents are likely to select compatible schemes without explicit prior agreement. Our results suggest a shift in the threat model for covert communication between AI agents, where the main barrier is no longer whether frontier agents can understand and implement sophisticated stegosystems, but coordination: whether independently acting agents can converge on compatible schemes, keys, and parameters. We find substantial convergence on broad scheme families but limited strict one-shot coordination, suggesting that shared artefacts, repeated interaction, and tool-mediated search are the settings where covert communication risks are most acute. Overall, our findings provide empirical grounding for the recent strategic confinement hypothesis, which assumes that capable agents can construct covert channels that survive monitoring.