用于保护语音生物识别中性别的差分隐私对抗自编码器
音频与语音处理
2023-07-06 v1
摘要
过去十年间，随着对安全高效身份认证方法需求的增长，自动说话人验证（ASV）系统的使用日益普及。语音数据蕴含丰富的个人信息，包括但不限于性别、年龄、健康状况、压力水平以及地理与社会文化来源。这些属性被称为软生物特征（soft biometrics），属隐私信息，用户可能希望对其保密。然而，随着机器学习算法的进步，软生物特征可被自动推断，造成未经授权使用的可能。因此，在保留身份识别效用的同时保护语音中固有的这些个人数据至关重要。本文提出一种基于对抗自编码器（adversarial Auto-Encoder）的方法，在说话人嵌入中隐藏性别相关信息，同时保持其对说话人验证的有效性。我们采用针对性别分类器的对抗过程，并将基于拉普拉斯机制（Laplace mechanism）的层融入自编码器架构。该层添加拉普拉斯噪声以实现更鲁棒的性别隐藏，并为输出的说话人嵌入在推理时提供差分隐私保证。在 VoxCeleb 数据集上的实验表明，在隐藏说话人性别并确保差分隐私保证的同时，可有效完成说话人验证任务；此外，拉普拉斯噪声的强度可调，以选取隐私与效用间所需的权衡。
引用
@article{arxiv.2307.02135,
title = {Differentially Private Adversarial Auto-Encoder to Protect Gender in Voice Biometrics},
author = {Oubaïda Chouchane and Michele Panariello and Oualid Zari and Ismet Kerenciler and Imen Chihaoui and Massimiliano Todisco and Melek Önen},
journal= {arXiv preprint arXiv:2307.02135},
year = {2023}
}
备注
6 Pages, 3 figures