用于提升未见语音深度伪造检测的元学习方法
音频与语音处理
2024-11-01 v2 人工智能
声音
摘要
当前的语音深度伪造检测方法在面对已知攻击时表现良好；然而，泛化到未见攻击仍是一个开放挑战。社交媒体上语音深度伪造的激增凸显了对能够泛化到训练期间未观察到的未见攻击的系统的需求。我们从元学习的角度解决这个问题，旨在学习攻击不变特征，以便在仅有极少样本可用时适应未见攻击。这种方法很有前景，因为生成大规模训练数据集通常昂贵或不可行。我们的实验表明，仅使用未见数据集中的96个样本，在InTheWild数据集上的等错误率（EER）从21.67%降至10.42%。持续的少样本适应确保系统保持最新状态。
引用
@article{arxiv.2410.20578,
title = {Meta-Learning Approaches for Improving Detection of Unseen Speech Deepfakes},
author = {Ivan Kukanov and Janne Laakkonen and Tomi Kinnunen and Ville Hautamäki},
journal= {arXiv preprint arXiv:2410.20578},
year = {2024}
}
备注
6 pages, accepted to the IEEE Spoken Language Technology Workshop (SLT) 2024