基于持续学习的伪造音频检测
声音
2022-07-12 v1 机器学习
音频与语音处理
摘要
伪造音频攻击已成为说话人验证系统的主要威胁。尽管当前检测方法在特定数据集场景下取得了可喜结果，但在未见过的欺骗数据上遇到困难。微调与从头重训练已被用于纳入新数据。然而，微调会导致在先前数据上性能下降。重训练耗费大量时间与计算资源。此外，在某些情况下，由于隐私问题先前数据不可得。为解决上述问题，本文提出检测而不遗忘（detecting fake without forgetting），一种基于持续学习的方法，使模型增量学习新的欺骗攻击。我们在损失函数中引入知识蒸馏损失以保留原模型的记忆。假设真实语音的分布在不同场景下一致，我们采用额外的嵌入相似度损失作为另一约束以进一步进行正样本对齐。实验在ASVspoof2019数据集上进行。结果表明，我们所提方法相较微调在平均等错误率上相对降低最高达81.62%。
引用
@article{arxiv.2104.07286,
title = {Continual Learning for Fake Audio Detection},
author = {Haoxin Ma and Jiangyan Yi and Jianhua Tao and Ye Bai and Zhengkun Tian and Chenglong Wang},
journal= {arXiv preprint arXiv:2104.07286},
year = {2022}
}
备注
5 pages, conference