Fugu-MT 論文翻訳(概要): Attacker Attribution of Audio Deepfakes

論文の概要: Attacker Attribution of Audio Deepfakes

arxiv url: http://arxiv.org/abs/2203.15563v1
Date: Mon, 28 Mar 2022 09:25:31 GMT
ステータス: 処理完了
システム内更新日: 2022-03-30 17:06:28.446864
Title: Attacker Attribution of Audio Deepfakes
Title（参考訳）: オーディオディープフェイクのアタッカー属性
Authors: Nicolas M. M\"uller and Franziska Dieckmann and Jennifer Williams
Abstract要約: ディープフェイクは、しばしば悪意のある意図で考案された合成メディアである。最近の研究は、音声が本物か偽物かを予測するディープフェイク検出に限られている。これは、帰属(誰が偽物を作ったのか?)がより大きな防衛戦略の重要な構成要素であるという事実にもかかわらずである。
参考スコア（独自算出の注目度）: 5.070542698701158
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deepfakes are synthetically generated media often devised with malicious intent. They have become increasingly more convincing with large training datasets advanced neural networks. These fakes are readily being misused for slander, misinformation and fraud. For this reason, intensive research for developing countermeasures is also expanding. However, recent work is almost exclusively limited to deepfake detection - predicting if audio is real or fake. This is despite the fact that attribution (who created which fake?) is an essential building block of a larger defense strategy, as practiced in the field of cybersecurity for a long time. This paper considers the problem of deepfake attacker attribution in the domain of audio. We present several methods for creating attacker signatures using low-level acoustic descriptors and machine learning embeddings. We show that speech signal features are inadequate for characterizing attacker signatures. However, we also demonstrate that embeddings from a recurrent neural network can successfully characterize attacks from both known and unknown attackers. Our attack signature embeddings result in distinct clusters, both for seen and unseen audio deepfakes. We show that these embeddings can be used in downstream-tasks to high-effect, scoring 97.10% accuracy in attacker-id classification.
Abstract（参考訳）: ディープフェイクは、しばしば悪意のある意図で考案された合成メディアである。大規模トレーニングデータセットであるadvanced neural networksでは、ますます説得力を増している。これらの偽物は、詐欺、偽情報、詐欺で容易に誤用されている。このため、対策開発のための集中的な研究も拡大している。しかし、最近の研究は、オーディオが本物か偽物かを予測するディープフェイク検出のみに限られている。これは、アトリビューション(誰が偽物を作ったのか?)が、サイバーセキュリティの分野で長年行われていたように、より大きな防衛戦略の重要な構成要素であるという事実にもかかわらずである。本稿では,音声領域におけるディープフェイク攻撃の帰属問題を考察する。低レベル音響記述子と機械学習埋め込みを用いてアタッカーシグネチャを作成する方法を提案する。音声信号の特徴は攻撃者の署名を識別するのに不十分であることを示す。しかし、リカレントニューラルネットワークからの埋め込みは、既知の攻撃者および未知の攻撃者の両方からの攻撃をうまく特徴づけることができることを示す。私たちのアタックシグネチャの埋め込みは、目に見えないオーディオのディープフェイクの両方に異なるクラスタをもたらします。これらの埋め込みを下流タスクで高効果に利用し,攻撃者id分類において97.10%の精度を示す。

関連論文リスト

Forging the Forger: An Attempt to Improve Authorship Verification via Data Augmentation [52.72682366640554]
著者検証(英語: Authorship Verification, AV)とは、ある特定の著者によって書かれたか、別の人物によって書かれたのかを推測するテキスト分類タスクである。多くのAVシステムは敵の攻撃に弱いことが示されており、悪意のある著者は、その書体スタイルを隠蔽するか、あるいは他の著者の書体を模倣することによって、積極的に分類者を騙そうとしている。
論文参考訳（メタデータ） (2024-03-17T16:36:26Z)
Real is not True: Backdoor Attacks Against Deepfake Detection [9.572726483706846]
本稿では,Bad-Deepfake(Bad-Deepfake)と命名された先駆的パラダイムを導入する。我々のアプローチはトレーニングデータのサブセットを戦略的に操作することで、トレーニングされたモデルの運用特性に対する不均等な影響を軽減します。
論文参考訳（メタデータ） (2024-03-11T10:57:14Z)
Does Few-shot Learning Suffer from Backdoor Attacks? [63.9864247424967]
数発の学習がバックドアアタックに対して脆弱であることは明らかです。本手法は,FSLタスクにおける攻撃成功率(ASR)を,異なる数発の学習パラダイムで示す。この研究は、数発の学習がまだバックドア攻撃に悩まされており、そのセキュリティに注意を払う必要があることを明らかにしている。
論文参考訳（メタデータ） (2023-12-31T06:43:36Z)
Towards Stealthy Backdoor Attacks against Speech Recognition via Elements of Sound [9.24846124692153]
ディープニューラルネットワーク(Deep Neural Network, DNN)は、音声認識の様々な応用に広く採用され、導入されている。本稿では,音声認識に対する毒のみのバックドア攻撃について再検討する。我々は音(例えば、ピッチと音色)の要素を利用して、よりステルスで効果的な毒のみのバックドア攻撃を設計する。
論文参考訳（メタデータ） (2023-07-17T02:58:25Z)
Defense Against Adversarial Attacks on Audio DeepFake Detection [0.4511923587827302]
Audio DeepFakes (DF) は、ディープラーニングを用いて人工的に生成された発話である。脅威を防ぐために、生成された音声を検出する複数のニューラルネットワークベースの手法が提案されている。
論文参考訳（メタデータ） (2022-12-30T08:41:06Z)
Illusory Attacks: Information-Theoretic Detectability Matters in Adversarial Attacks [76.35478518372692]
エプシロン・イリューソリー(epsilon-illusory)は、シーケンシャルな意思決定者に対する敵対的攻撃の新たな形態である。既存の攻撃と比較して,エプシロン・イリューソリーの自動検出は極めて困難である。以上の結果から, より優れた異常検知器, 効果的なハードウェアおよびシステムレベルの防御の必要性が示唆された。
論文参考訳（メタデータ） (2022-07-20T19:49:09Z)
Hidden Backdoor Attack against Semantic Segmentation Models [60.0327238844584]
Emphbackdoor攻撃は、深層ニューラルネットワーク(DNN)に隠れたバックドアを埋め込み、トレーニングデータに毒を盛ることを目的としている。我々は,対象ラベルを画像レベルではなくオブジェクトレベルから扱う,新たな攻撃パラダイムであるemphfine-fine-grained attackを提案する。実験により、提案手法はわずかなトレーニングデータだけを毒殺することでセマンティックセグメンテーションモデルを攻撃することに成功した。
論文参考訳（メタデータ） (2021-03-06T05:50:29Z)
An Empirical Review of Adversarial Defenses [0.913755431537592]
このようなシステムの基礎を形成するディープニューラルネットワークは、敵対攻撃と呼ばれる特定のタイプの攻撃に非常に影響を受けやすい。ハッカーは、最小限の計算でも、敵対的な例(他のクラスに属するイメージやデータポイント)を生成し、そのようなアルゴリズムの基礎を崩壊させることができます。本稿では,DropoutとDenoising Autoencodersの2つの効果的な手法を示し,そのような攻撃がモデルを騙すのを防ぐことに成功したことを示す。
論文参考訳（メタデータ） (2020-12-10T09:34:41Z)
Adversarial Threats to DeepFake Detection: A Practical Perspective [12.611342984880826]
本稿では,最先端のDeepFake検出手法の脆弱性を実用的観点から検討する。我々は、非常に現実的な攻撃シナリオを示すUniversal Adversarial Perturbationsを用いて、よりアクセスしやすい攻撃を作成する。
論文参考訳（メタデータ） (2020-11-19T16:53:38Z)
MixNet for Generalized Face Presentation Attack Detection [63.35297510471997]
我々は、プレゼンテーションアタックを検出するための、TextitMixNetと呼ばれるディープラーニングベースのネットワークを提案している。提案アルゴリズムは最先端の畳み込みニューラルネットワークアーキテクチャを利用して,各攻撃カテゴリの特徴マッピングを学習する。
論文参考訳（メタデータ） (2020-10-25T23:01:13Z)
Backdoor Attack against Speaker Verification [86.43395230456339]
学習データを汚染することにより,話者検証モデルに隠れたバックドアを注入できることを示す。また,既存のバックドア攻撃が話者認証攻撃に直接適用できないことも実証した。
論文参考訳（メタデータ） (2020-10-22T11:10:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。