通过自监督学习提升说话人验证的对抗鲁棒性
声音
2024-06-06 v4 机器学习
音频与语音处理
摘要
先前工作表明自动说话人验证（ASV）严重易受恶意欺骗攻击，如重放、合成语音以及近期出现的对抗攻击。已有大量工作致力于防御 ASV 抵御重放与合成语音；然而，仅有少数方法被探索用于处理对抗攻击。现有所有应对 ASV 对抗攻击的方法均需知晓对抗样本生成知识，但防御者不可能知道野外攻击者所采用的具体攻击算法。本工作是首批在不知晓具体攻击算法情况下为 ASV 执行对抗防御的工作之一。受自监督学习模型（SSLMs）具有缓解输入中表层噪声并从受扰动样本重建干净样本优点的启发，本工作将对抗扰动视为一种噪声，并通过 SSLMs 为 ASV 进行对抗防御。具体而言，我们提出从两个角度执行对抗防御：1) 对抗扰动净化与 2) 对抗扰动检测。实验结果表明，我们的检测模块通过以约 80% 准确率检测对抗样本有效屏蔽了 ASV。此外，由于尚无评估 ASV 对抗防御性能的通用指标，本工作亦形式化了兼顾净化与检测两类方法的对抗防御评估指标。我们诚挚鼓励未来工作基于所提评估框架对其方法进行基准测试。
引用
@article{arxiv.2106.00273,
title = {Improving the Adversarial Robustness for Speaker Verification by Self-Supervised Learning},
author = {Haibin Wu and Xu Li and Andy T. Liu and Zhiyong Wu and Helen Meng and Hung-yi Lee},
journal= {arXiv preprint arXiv:2106.00273},
year = {2024}
}
备注
Accepted by TASLP