音频分类器的对抗训练
音频与语音处理
2020-10-27 v2 机器学习
声音
机器学习
摘要
本文研究了对抗训练对六种先进深度神经网络抵御各种目标和非目标对抗攻击鲁棒性的潜在影响。我们首先表明，在离散小波变换的二维表示后附加tonnetz色度图所训练的ResNet-56模型在识别准确率上优于其他模型。然后，我们展示了对抗训练对该模型及其他深度架构抵御六种攻击算法（白盒和黑盒）的积极影响，其代价是识别准确率下降和对抗扰动受限。我们在两个基准环境声音数据集上进行了实验，结果表明，在对对手的预算分配没有任何限制的情况下，对抗训练模型的欺骗率可超过90%。换言之，对抗攻击在任何尺度上都存在，但与非对抗训练模型相比，它们可能需要更高的对抗扰动。
引用
@article{arxiv.2008.11618,
title = {Adversarially Training for Audio Classifiers},
author = {Raymel Alfonso Sallo and Mohammad Esmaeilpour and Patrick Cardinal},
journal= {arXiv preprint arXiv:2008.11618},
year = {2020}
}
备注
Paper accepted to International Conference on Pattern Recognition (ICPR) 2020