論文の概要: Voice Spoofing Countermeasures: Taxonomy, State-of-the-art, experimental analysis of generalizability, open challenges, and the way forward

• arxiv url: http://arxiv.org/abs/2210.00417v2
• Date: Mon, 21 Nov 2022 19:29:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-19 11:27:19.448530
• Title: Voice Spoofing Countermeasures: Taxonomy, State-of-the-art, experimental analysis of generalizability, open challenges, and the way forward
• Title（参考訳）: 音声スポーフィング対策:分類学、最先端、一般化可能性の実験分析、オープンチャレンジ、今後の展開
• Authors: Awais Khan, Khalid Mahmood Malik, James Ryan, and Mikul Saravanan
• Abstract要約: 本報告では,手作り特徴,ディープラーニング,エンドツーエンド,汎用スプーフィング対策ソリューションを用いたスプーフィング検出に関する文献のレビューを行う。 本稿では,これらの対策の有効性をいくつかのデータセットで報告し,コーパス間で評価する。
• 参考スコア（独自算出の注目度）: 2.393661358372807
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Malicious actors may seek to use different voice-spoofing attacks to fool ASV systems and even use them for spreading misinformation. Various countermeasures have been proposed to detect these spoofing attacks. Due to the extensive work done on spoofing detection in automated speaker verification (ASV) systems in the last 6-7 years, there is a need to classify the research and perform qualitative and quantitative comparisons on state-of-the-art countermeasures. Additionally, no existing survey paper has reviewed integrated solutions to voice spoofing evaluation and speaker verification, adversarial/antiforensics attacks on spoofing countermeasures, and ASV itself, or unified solutions to detect multiple attacks using a single model. Further, no work has been done to provide an apples-to-apples comparison of published countermeasures in order to assess their generalizability by evaluating them across corpora. In this work, we conduct a review of the literature on spoofing detection using hand-crafted features, deep learning, end-to-end, and universal spoofing countermeasure solutions to detect speech synthesis (SS), voice conversion (VC), and replay attacks. Additionally, we also review integrated solutions to voice spoofing evaluation and speaker verification, adversarial and anti-forensics attacks on voice countermeasures, and ASV. The limitations and challenges of the existing spoofing countermeasures are also presented. We report the performance of these countermeasures on several datasets and evaluate them across corpora. For the experiments, we employ the ASVspoof2019 and VSDC datasets along with GMM, SVM, CNN, and CNN-GRU classifiers. (For reproduceability of the results, the code of the test bed can be found in our GitHub Repository.
• Abstract（参考訳）: 悪質な俳優は、異なる音声詐欺攻撃を使ってasvシステムを騙し、偽情報を広めるためにも利用しようとするかもしれない。 これらのスプーフィング攻撃を検出するための様々な対策が提案されている。 過去6～7年間の自動話者検証(ASV)システムにおけるスプーフィング検出に関する広範な研究により、研究を分類し、最先端の対策に関する質的かつ定量的な比較を行う必要がある。 さらに、既存の調査では、音声スプーフィング評価と話者検証、スプーフィング対策に対する逆/アンチフォレンス攻撃、asv自体、あるいは単一モデルを用いて複数の攻撃を検出するための統一ソリューションに関する統合ソリューションをレビューしていない。 さらに, コーパスを横断して評価することで, 汎用性を評価するために, アップルとアプライズを比較検討する作業は行われていない。 本研究では,音声合成 (SS) , 音声変換 (VC) , リプレイ攻撃 (replay attack) を検出するために, 手作り特徴, ディープラーニング, エンドツーエンド, ユニバーサルスプーフィング対策ソリューションを用いたスプーフィング検出に関する文献のレビューを行う。 さらに,音声スプーフィング評価と話者照合,音声対策に対する敵対的・反フォレンス的攻撃,asvに対する統合ソリューションについて検討した。 既存のスプーフィング対策の限界と課題も提示する。 本稿では,これらの対策の性能を複数のデータセット上で報告し,コーパス間で評価する。 実験では, GMM, SVM, CNN, CNN-GRU分類器とともに, ASVspoof2019 と VSDC のデータセットを用いる。 (結果の再現性のため、テストベッドのコードはGitHubリポジトリで確認できます。

関連論文リスト

• Toward Improving Synthetic Audio Spoofing Detection Robustness via Meta-Learning and Disentangled Training With Adversarial Examples [33.445126880876415]
  自動話者検証システムに到達させる代わりに、スプーフ攻撃をフィルタリングする信頼性と堅牢なスプーフ検出システムを提案する。 データ不均衡問題に対処するために重み付き加法的角縁損失が提案され、スプーフィング攻撃に対する一般化を改善するために異なるマージンが割り当てられている。 データ拡張戦略として、スプーフィング音声に知覚不能な摂動を加えて、敵の例にのみ対応する正規化統計が実行されることを保証するために、補助的なバッチ正規化を用いる。
  論文  参考訳（メタデータ） (2024-08-23T19:26:54Z)
• ASVspoof 5: Crowdsourced Speech Data, Deepfakes, and Adversarial Attacks at Scale [59.25180900687571]
  ASVspoof 5は、音声スプーフとディープフェイク攻撃の研究を促進する一連の課題の第5版である。 本稿では,2つの課題トラック,新しいデータベース,評価指標,評価プラットフォームについて述べる。
  論文  参考訳（メタデータ） (2024-08-16T13:37:20Z)
• Defense of Adversarial Ranking Attack in Text Retrieval: Benchmark and Baseline via Detection [12.244543468021938]
  本稿では,敵対的文書に対する2種類の検出タスクを提案する。 敵のランク防衛の調査を容易にするために、ベンチマークデータセットが確立されている。 いくつかの検出基準線の性能を総合的に調査する。
  論文  参考訳（メタデータ） (2023-07-31T16:31:24Z)
• Spotting adversarial samples for speaker verification by neural vocoders [102.1486475058963]
  我々は、自動話者検証(ASV)のための敵対サンプルを見つけるために、ニューラルボコーダを採用する。 元の音声と再合成音声のASVスコアの違いは、真正と逆正のサンプルの識別に良い指標であることがわかった。 私たちのコードは、将来的な比較作業のためにオープンソースにされます。
  論文  参考訳（メタデータ） (2021-07-01T08:58:16Z)
• Voting for the right answer: Adversarial defense for speaker verification [79.10523688806852]
  ASVは敵の攻撃のレーダー下にあり、これは人間の知覚による本来の攻撃と似ている。 盲点領域におけるASVのリスクの高い決定を防止するため、「正しい回答を求める」という考え方を提案する。 実験結果から,本手法は両攻撃者に対するロバスト性を向上することが示された。
  論文  参考訳（メタデータ） (2021-06-15T04:05:28Z)
• Improving the Adversarial Robustness for Speaker Verification by Self-Supervised Learning [95.60856995067083]
  この研究は、特定の攻撃アルゴリズムを知らずにASVの敵防衛を行う最初の試みの一つである。 本研究の目的は,1) 対向摂動浄化と2) 対向摂動検出の2つの視点から対向防御を行うことである。 実験の結果, 検出モジュールは, 約80%の精度で対向検体を検出することにより, ASVを効果的に遮蔽することがわかった。
  論文  参考訳（メタデータ） (2021-06-01T07:10:54Z)
• Investigating Robustness of Adversarial Samples Detection for Automatic Speaker Verification [78.51092318750102]
  本研究は,ASVシステムに対して,別個の検出ネットワークによる敵攻撃から防御することを提案する。 VGGライクな二分分類検出器を導入し、対向サンプルの検出に有効であることが実証された。
  論文  参考訳（メタデータ） (2020-06-11T04:31:56Z)
• Defense against adversarial attacks on spoofing countermeasures of ASV [95.87555881176529]
  本稿では,ASVスプーフィング対策モデルの脆弱性を軽減するために,パッシブ・ディフェンス法,空間平滑化法,プロアクティブ・ディフェンス・トレーニング法を提案する。 実験結果から, これらの2つの防御手法は, 対向する対向的例に対して, 対向的対策モデルを偽装するのに有効であることが示唆された。
  論文  参考訳（メタデータ） (2020-03-06T08:08:54Z)

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。