面向语音情感识别的鲁棒联邦学习以抵御对抗攻击
声音
2022-03-10 v1 机器学习
音频与语音处理
摘要
由于机器学习和语音处理的发展，语音情感识别近年来已成为热门研究课题。然而，在语音情感识别的物联网应用中，语音数据上传至服务器并处理时无法得到保护。此外，深度神经网络已被证明易受人类难以分辨的对抗扰动影响。由扰动生成的对抗攻击可能导致深度神经网络错误预测情绪状态。我们提出一种新颖的联邦对抗学习框架，用于同时保护数据和深度神经网络。该框架包括 i) 用于数据隐私的联邦学习，以及 ii) 训练阶段的对抗训练和测试阶段的随机化以增强模型鲁棒性。实验表明，我们提出的框架能有效在本地保护语音数据，并提升模型针对一系列对抗攻击的鲁棒性。
引用
@article{arxiv.2203.04696,
title = {Robust Federated Learning Against Adversarial Attacks for Speech Emotion Recognition},
author = {Yi Chang and Sofiane Laridi and Zhao Ren and Gregory Palmer and Björn W. Schuller and Marco Fisichella},
journal= {arXiv preprint arXiv:2203.04696},
year = {2022}
}
备注
11 pages, 6 figures, 3 tables