告别等错误率，迎接局部信息泄露：评估语音匿名化对抗1对N链接威胁
音频与语音处理
2026-07-07 v1
摘要
语音匿名化旨在保护说话者身份。目前，其实证隐私评估严重依赖等错误率（EER）。EER最初为生物特征验证而设计，它全局聚合分数，隐含地假设攻击者仅试图验证两个特定语音样本是否匹配（1对1比较）。这引入了与真实世界数据库链接攻击的威胁模型不匹配，在真实攻击中，攻击者会在固定数量的N个注册身份中搜索（1对N闭集搜索），允许全局平均值掩盖局部隐私失败。虽然最近的1对N指标解决了这种聚合问题，但它们抽象掉了生物特征证据的强度。在本文中，我们提出了一个模块化的、信息论评估框架，专门为1对N链接威胁模型设计。在这个框架内，我们的核心指标——局部信息泄露（LID），通过将原始相似度分数校准为攻击者对每个注册身份的后验置信度，以比特为单位量化单个试验话语的确切隐私损失。评估VoicePrivacy 2024挑战赛中表现最佳的系统表明，具有近乎完美EER（48%）的系统仍然可能遭受局部漏洞，最坏情况下的泄露达到每个试验话语1比特（有效地将攻击者的成功率比随机猜测提高一倍）。我们证明，采用局部隐私指标对于捕获最坏情况风险和符合严格的隐私法规至关重要。
引用
@article{arxiv.2607.06259,
title = {Goodbye Equal Error Rate, Hello Local Information Disclosure: Evaluating Voice Anonymisation against 1-to-N Linkage Threats},
author = {Dāvis Šterns and Konstantinos Drossos and Natasha Fernandes and Tom Bäckström and Catuscia Palamidessi},
journal= {arXiv preprint arXiv:2607.06259},
year = {2026}
}