黑盒条件下基于进化多目标优化的语音识别无调整对抗样本生成
声音
2024-07-09 v2 计算与语言
音频与语音处理
摘要
本文提出一种针对自动语音识别系统的黑盒对抗攻击方法。已有一些研究尝试攻击用于语音识别的神经网络，但这些方法未考虑所生成对抗样本相对于目标语音时间滞后的鲁棒性。本文提出的方法采用进化多目标优化（EMO），使其能够在黑盒场景下生成鲁棒对抗样本。实验结果表明，所提方法成功生成了无调整对抗样本，其对于时间滞后具有充分鲁棒性，使得攻击者无需考虑针对目标语音播放的时机。
引用
@article{arxiv.2012.11138,
title = {Adjust-free adversarial example generation in speech recognition using evolutionary multi-objective optimization under black-box condition},
author = {Shoma Ishida and Satoshi Ono},
journal= {arXiv preprint arXiv:2012.11138},
year = {2024}
}