基于源分离与鲁棒对抗学习的音频隐私保护表示学习
声音
2025-05-05 v1 密码学与安全
机器学习
音频与语音处理
摘要
在智能声学监测系统中，隐私保护一直是一个关注点，系统中被动记录的目标信号所在运行环境可能同时录到语音。本研究提出将隐私保护中两种常用方法——源分离与对抗表示学习——相结合。所提系统学习音频记录的潜在表示，使其无法区分语音与非语音记录。首先，源分离网络滤除部分隐私敏感数据，在对抗学习过程中，系统对滤波后信号学习隐私保护表示。我们通过将所提方法与无源分离、无对抗学习及两者皆无的系统进行比较，证明了方法的有效性。总体而言，结果表明相比单独使用源分离或对抗学习，所提系统能在保持良好声学监测任务性能的同时显著改善语音隐私保护。
引用
@article{arxiv.2308.04960,
title = {Representation Learning for Audio Privacy Preservation using Source Separation and Robust Adversarial Learning},
author = {Diep Luong and Minh Tran and Shayan Gharib and Konstantinos Drossos and Tuomas Virtanen},
journal= {arXiv preprint arXiv:2308.04960},
year = {2025}
}