基于对抗样本的非侵入式语音质量模型鲁棒性研究
声音
2022-11-15 v1 机器学习
音频与语音处理
摘要
近期研究表明，基于深度学习的模型在语音质量预测上有效，并能在多方面超越传统度量。尽管网络模型有潜力成为复杂人类听觉感知的替代，其预测中可能包含不稳定性。本工作表明深度语音质量预测器易受到对抗扰动攻击，相较于语音输入，小至 dB 的不易察觉扰动即可大幅改变预测。除揭示深度语音质量预测器的脆弱性外，我们进一步探索并确认了对抗训练用于增强模型鲁棒性的可行性。
引用
@article{arxiv.2211.06508,
title = {On the robustness of non-intrusive speech quality model by adversarial examples},
author = {Hsin-Yi Lin and Huan-Hsin Tseng and Yu Tsao},
journal= {arXiv preprint arXiv:2211.06508},
year = {2022}
}