反欺骗系统中的数据集伪影：以 ASVspoof 2017 基准为例
音频与语音处理
2020-10-16 v1 声音
摘要
自动说话人验证欺骗与对策挑战赛推动了保护语音生物识别系统免受各类访问攻击的研究。2017 年版聚焦于重放欺骗攻击，参与者在提供的数据集（ASVspoof 2017）上构建并训练系统。迄今已有逾 60 篇研究论文使用该数据集发表，但无一试图回答为何对策看似成功检测欺骗攻击。本文展示数据集固有的伪影可能如何促成已发表系统表面的成功。我们首先检视 ASVspoof 2017 数据集并总结其中的各类伪影。其次，我们演示对策模型如何利用这些伪影以在该数据集中看似成功。第三，为获得该数据集上可靠且鲁棒的性能估计，我们建议在训练与推断时丢弃语音段前后非语音段与静音。我们在数据集中创建语音起止标注，并展示使用它们如何帮助对策模型降低被利用数据集伪影操纵的脆弱性。最后，我们给出若干帧级与 utterance 级模型的新基准结果，可作为该数据集上的新基线。
引用
@article{arxiv.2010.07913,
title = {Dataset artefacts in anti-spoofing systems: a case study on the ASVspoof 2017 benchmark},
author = {Bhusan Chettri and Emmanouil Benetos and Bob L. T. Sturm},
journal= {arXiv preprint arXiv:2010.07913},
year = {2020}
}
备注
Accepted to IEEE/ACM Transactions on Audio, Speech, and Language Processing, 2020