针对音频源分离的对抗攻击
声音
2021-02-16 v3 机器学习
音频与语音处理
摘要
尽管基于神经网络的音频源分离方法性能优异且应用广泛，但其面对蓄意攻击时的鲁棒性却长期被忽视。本文中，我们针对音频源分离问题重构了多种对抗攻击方法，并在不同攻击条件与目标模型下进行了深入研究。我们进一步提出了一种简单而有效的正则化方法，能以低计算复杂度生成难以察觉的对抗噪声，同时最大化对分离质量的影响。实验结果表明，当噪声专为特定目标模型构造时，通过添加难以察觉的微小噪声即可大幅降低分离质量。我们还展示了源分离模型在黑盒攻击下的鲁棒性。本研究为开发防止分离信号滥用的内容保护方法以及提升分离性能与鲁棒性提供了潜在有用的见解。
引用
@article{arxiv.2010.03164,
title = {Adversarial attacks on audio source separation},
author = {Naoya Takahashi and Shota Inoue and Yuki Mitsufuji},
journal= {arXiv preprint arXiv:2010.03164},
year = {2021}
}
备注
Accepted at ICASSP 2021