생성형 텍스트 스테가노그래피는 LLM 에이전트가 업무 관련 메시지에 비밀 정보를 숨겨 교환하게 해주지만, 기존 평가는 송신자 측 토큰 기준으로 이뤄져 수신자가 실제로 보는 표면 텍스트와 차이가 발생한다. 토큰 경계가 디토큰화·재토큰화 과정에서 어긋나 코딩 상태가 어긋나면서, 기존 방식은 수신자 측 복원 성능을 과대평가하는 문제가 있었다. 이 논문은 채널 기반 후속 학습 프레임워크인 TI-StegoAlign을 제안하는데, 비트 일관 지도 목적함수(BCSO)로 송신자 측 임베딩 위치의 코딩 마진을 넓히고, 채널 조건부 선호 최적화(CCPO)로 수신자 관점의 실제 복원율·텍스트 품질·스테그아날리시스 저항성을 반영해 전체 스테고텍스트를 정렬한다. LoRA 파라미터만 갱신하며 통신 중 별도의 토큰화 보정도 필요 없다. 실험 결과 수신자 측 비트 정확도 100%를 달성했고, 가장 강력한 기존 기법 대비 정규화된 퍼플렉시티 편차를 21.6% 줄이고 안티 스테그아날리시스 성능을 6.3% 상대적으로 개선했다.

• •송신자 측 토큰 기준 평가가 수신자 실제 복원 성능을 과대평가하는 문제 지적
• •BCSO로 송신자 측 임베딩 코딩 마진 확대, CCPO로 수신자 실제 복원율 기반 정렬
• •LoRA 파라미터만 갱신, 통신 중 별도 토큰화 보정 불필요
• •수신자 측 비트 정확도 100% 달성
• •정규화 퍼플렉시티 편차 21.6% 감소, 안티 스테그아날리시스 성능 6.3% 개선