联邦学习框架下自动语音识别声学模型的隐私攻击
计算与语言
2022-05-02 v2 密码学与安全
声音
音频与语音处理
摘要
本文研究了在自动语音识别（ASR）中从个性化说话人自适应神经网络声学模型（AMs）有效检索说话人信息的方法。该问题在 ASR 声学模型的联邦学习背景下尤为重要，其中全局模型基于从多个客户端接收到的更新在服务器上学习。我们提出了一种基于神经网络在所谓指示数据集（Indicator dataset）上的足迹来分析神经网络 AMs 中信息的方法。利用该方法，我们开发了两种攻击模型，旨在无需访问实际用户语音数据的情况下，从更新后的个性化模型中推断说话人身份。在 TED-LIUM 3 语料库上的实验表明，所提方法非常有效，可达到 1-2% 的等错误率（EER）。
引用
@article{arxiv.2111.03777,
title = {Privacy attacks for automatic speech recognition acoustic models in a federated learning framework},
author = {Natalia Tomashenko and Salima Mdhaffar and Marc Tommasi and Yannick Estève and Jean-François Bonastre},
journal= {arXiv preprint arXiv:2111.03777},
year = {2022}
}
备注
Submitted to ICASSP 2022