SHIELD：面向对抗攻击的鲁棒深度伪造检测的安全高度集成学习
声音
2025-07-18 v1 人工智能
密码学与安全
机器学习
音频与语音处理
摘要
音频在说话人验证、语音智能设备及音频会议等应用中才作战重要角色。然而，音频操纵（如深度伪造）通过传播虚假信息而构成重大风险。我们的实证分析表明，现有深度伪造音频检测方法常对抗forensic（AF）攻击极其脆弱，尤其是采用生成对抗网络（GAN）的攻击方式。在本文中，我们提出一种新型协作学习方法——SHIELD，以抵御生成式AF攻击。为暴露AF特征，我们集成了一个名为防御（DF）生成模型的辅助生成模型，其通过组合输入与输出实现协作学习。此外，我们设计了三元组模型，以捕获真实音频与AF攻击后音频、真实生成音频与被攻击生成音频之间的关联性。所提出的SHIELD机制能显著增强对生成式AF攻击的防御能力，在多种生成模型下均实现稳健的检测性能。该方法将ASVspoof2019、In-the-Wild及HalfTruth数据集上的平均检测准确率分别从95.49%降至59.77%、从99.44%降至38.45%、从98.41%降至51.18%。在ASVspoof2019、In-the-Wild及HalfTruth数据集的匹配与不匹配设置下，SHIELD机制分别实现了98.13%、98.58%、99.57%以及98.78%、98.62%、98.85%的平均准确率，展现出对AF攻击的强鲁棒性。
关键词
引用
@article{arxiv.2507.13170,
title = {SHIELD: A Secure and Highly Enhanced Integrated Learning for Robust Deepfake Detection against Adversarial Attacks},
author = {Kutub Uddin and Awais Khan and Muhammad Umar Farooq and Khalid Malik},
journal= {arXiv preprint arXiv:2507.13170},
year = {2025}
}