文献

J-GLOBAL ID：202202282595210701   整理番号：22A0457621

自己教師付き学習による話者検証のための敵対的ロバスト性の改善【JST・京大機械翻訳】

Improving the Adversarial Robustness for Speaker Verification by Self-Supervised Learning

著者 (6件)： Wu Haibin (Graduate Institute of Communication Engineering, National Taiwan University, Taipei, Taiwan) ,  Li Xu (Department of Systems Engineering and Engineering Management, The Chinese University of Hong Kong, Hong Kong, Hong Kong) ,  Liu Andy T. (Graduate Institute of Communication Engineering, National Taiwan University, Taipei, Taiwan) ,  Wu Zhiyong (Shenzhen International Graduate School, Tsinghua University, Shenzhen, China) ,  Meng Helen (Department of Systems Engineering and Engineering Management, The Chinese University of Hong Kong, Hong Kong, Hong Kong) ,  Lee Hung-Yi (Graduate Institute of Communication Engineering, National Taiwan University, Taipei, Taiwan)
資料名： IEEE/ACM Transactions on Audio, Speech, and Language Processing  (IEEE/ACM Transactions on Audio, Speech, and Language Processing)
巻： 30  ページ： 202-217  発行年： 2022年 
JST資料番号： W0508B  ISSN： 2329-9290  CODEN： ITASFA  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 以前の研究は,自動話者検証(ASV)が,再生,合成音声,および最近出現した敵対攻撃のような,悪意のあるスポーフィング攻撃に対して,深刻に脆弱であることを示した。再生と合成音声に対してASVを防御するために大きな努力が払われてきた。しかし,敵対的攻撃を取り扱うために,ほんのわずかなアプローチしか調査されていない。ASVに対する敵対攻撃に取り組むための既存のアプローチはすべて,敵対的サンプル生成の知識を必要とするが,しかし,インテリア攻撃者によって適用される正確な攻撃アルゴリズムを知ることは,防御者にとって実用的ではない。本研究は,特定の攻撃アルゴリズムを知ることなくASVに対する敵対的防御を行う最初のものである。入力における表在雑音を軽減し,中断されたものからクリーンサンプルを再構成する利点を持つ自己監督学習モデル(SSLM)に触発されて,本研究は,1種類の雑音として敵対的摂動に関して,SSLMsによるASVに対する敵対的防御を行う。特に,2つの展望から敵対的防御を行うことを提案する。1)敵対的摂動浄化,2)敵対的摂動検出。浄化モジュールは,サンプルにおける敵対的摂動を軽減し,決定境界に向けて汚染敵対入力を引っ張ることを狙った。実験結果は,提案精製モジュールが敵対的攻撃を効果的に対抗し,敵対雑音を緩和し,そして,真のサンプルの性能を維持することから,従来のフィルタより優れていることを示した。検出モジュールは,異なる数のSSLMsと統合されるユニークなASVによって導かれるASVスコアの統計的性質に基づく,真のものからの敵対サンプルの検出を目的とし,著者らの検出モジュールが,敵対サンプルを検出することによってASVを遮蔽するのを助けることを示した。精製と検出法は,異なる種類の攻撃アルゴリズムに対する防御に役立つ。さらに,敵対攻撃の下でASV性能を評価する一般的計量がないので,本研究は,また,精製と検出ベースのアプローチの両方を考慮した敵対防衛のための評価メトリックを定式化した。提案した評価フレームワークに基づいて,それらのアプローチをベンチマークするための将来の研究を奨励した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  雑音 ,  インテリアデザイン ,  学習モデル ,  *教師つき学習 ,  検出法 ,  定式化 ,  摂動 ,  ベンチマーク ,  *ロバスト性 ,  サイバー攻撃
準シソーラス用語： 脆弱性 ,  話者 ,  ホップ数 ,  攻撃者 , 【Automatic Indexing@JST】

分類 (1件)： 音声処理  (JE05000E)

タイトルに関連する用語 (6件)： 自己 ,  教師付き学習 ,  話者 ,  検証 ,  敵対 ,  ロバスト性