基于简单注意力模块及加性角间隔损失与元学习联合优化的音频反欺骗
声音
2022-11-21 v1 机器学习
音频与语音处理
摘要
自动说话人验证系统易受多种接入威胁攻击，促使研究界构建有效的欺骗检测系统以作为过滤此类欺骗攻击的闸门。本研究引入一个简单注意力模块，为卷积层中特征图推断三维注意力权重，进而优化能量函数以确定各神经元的重要性。随着语音转换与语音合成技术的进步，未见过的欺骗攻击不断出现，限制了欺骗检测系统的性能。在此，我们提出一种基于加权加性角间隔损失（additive angular margin loss）的二分类联合优化方法，并结合元学习训练框架，以开发一种对广泛欺骗攻击鲁棒、可增强模型泛化能力的高效系统。结果表明，与当前最先进（SOTA）系统相比，我们所提方法取得了具竞争力的结果：合并等错误率（pooled EER）为 0.99%，最小检测代价函数（min t-DCF）为 0.0289。
引用
@article{arxiv.2211.09898,
title = {Audio Anti-spoofing Using a Simple Attention Module and Joint Optimization Based on Additive Angular Margin Loss and Meta-learning},
author = {Zhenyu Wang and John H. L. Hansen},
journal= {arXiv preprint arXiv:2211.09898},
year = {2022}
}
备注
Interspeech 2022