基于通用对抗扰动的用户音频深度伪造持续检测
声音
2025-11-26 v1
摘要
语音合成和语音转换技术的快速发展在多媒体法医学领域引发了重大安全担忧。尽管当前的检测模型表现出色，但在面对不断演变的深度伪造攻击时仍难保持有效性。此外，使用历史训练数据持续微调这些模型会造成巨大的计算和存储成本。为解决这些限制，我们提出了一种新框架，将通用对抗扰动（UAP）融入音频深度伪造检测，使模型能够在无需直接访问过去数据的情况下保留历史欺骗分布的知识。该方法在微调预训练的自监督音频模型时将 UAP 无缝集成。大量实验验证了我们方法的有效性，展示了其作为音频深度伪造持续学习中高效解决方案的潜力。
引用
@article{arxiv.2511.19974,
title = {Continual Audio Deepfake Detection via Universal Adversarial Perturbation},
author = {Wangjie Li and Lin Li and Qingyang Hong},
journal= {arXiv preprint arXiv:2511.19974},
year = {2025}
}