面向稳健深度伪造音频分类的持续学习方法
音频与语音处理
2024-07-16 v1 声音
摘要
新型欺骗攻击的不断涌现提升了音频安全的挑战。当前检测方法在面对未出现的欺骗攻击时常常失效。传统策略如用新数据重新训练方法往往不可行，因存储需求大。本文引入一种新型持续学习方法Continual Audio Defense Enhancer（CADE）。首先，通过固定内存大小存储来自以前数据集的随机选取样本，Our approach 节省了资源，遵守了隐私约束。此外，我们还在CADE中应用两种蒸馏损失。通过分类器内的蒸馏，CADE确保学生模型与教师模型高度相似。这种相似性有助于模型在面对未来数据时保留旧有信息。我们进一步通过一种新颖的嵌入相似度损失来优化模型性能，该损失跨越多个深度层次，促进正样本的更好对齐。在ASVspoof2019数据集上的实验表明，我们提出的方法优于基线方法。
引用
@article{arxiv.2407.10108,
title = {Advancing Continual Learning for Robust Deepfake Audio Classification},
author = {Feiyi Dong and Qingchen Tang and Yichen Bai and Zihan Wang},
journal= {arXiv preprint arXiv:2407.10108},
year = {2024}
}
备注
Submitted to IEEE Tencon. 5 pages