超越沉默：基于损失和非对称方法的音频防欺诊偏差分析

当前音频防欺诊检测研究的趋势致力于提高模型对未见攻击的泛化能力，通过学习识别各种欺诈性artifact。这种关注主要集中在欺诈类。最近的几项研究指出，沉默在两个类别之间的分布存在差异，这可作为捷径。本文扩展了沉默之外的类别级解释。我们采用损失分析和非对称方法，朝着超越传统攻击聚焦和结果导向评估，转向对模型行为的更深入探讨。我们的研究表明，两个类别在训练动力学方面存在显著差异，强调未来研究需专注于对正式类的稳健建模。