Fugu-MT 論文翻訳(概要): Improving the Speaker Anonymization Evaluation's Robustness to Target Speakers with Adversarial Learning

論文の概要: Improving the Speaker Anonymization Evaluation's Robustness to Target Speakers with Adversarial Learning

arxiv url: http://arxiv.org/abs/2508.09803v1
Date: Wed, 13 Aug 2025 13:38:09 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-14 20:42:00.904737
Title: Improving the Speaker Anonymization Evaluation's Robustness to Target Speakers with Adversarial Learning
Title（参考訳）: 話者の匿名化評価の改善と対向学習による話者のロバスト性
Authors: Carlos Franzreb, Arnab Das, Tim Polzehl, Sebastian Möller,
Abstract要約: 評価においてターゲット話者情報の影響を計測するターゲット分類器を提案する。実験により、このアプローチは複数の匿名化器に有効であることが示された。
参考スコア（独自算出の注目度）: 12.642704894600602
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The current privacy evaluation for speaker anonymization often overestimates privacy when a same-gender target selection algorithm (TSA) is used, although this TSA leaks the speaker's gender and should hence be more vulnerable. We hypothesize that this occurs because the evaluation does not account for the fact that anonymized speech contains information from both the source and target speakers. To address this, we propose to add a target classifier that measures the influence of target speaker information in the evaluation, which can also be removed with adversarial learning. Experiments demonstrate that this approach is effective for multiple anonymizers, particularly when using a same-gender TSA, leading to a more reliable assessment.
Abstract（参考訳）: 話者匿名化の現在のプライバシー評価は、同じ性別のターゲット選択アルゴリズム(TSA)を使用する場合、しばしばプライバシーを過大評価する。匿名化音声がソース話者とターゲット話者の両方の情報を含んでいるという事実を考慮しないため,これを仮定する。そこで本研究では,評価における対象話者情報の影響を計測するターゲット分類器を提案する。実験により、このアプローチは複数の匿名化器、特に同一性別のTSAを使用する場合に有効であることが示され、より信頼性の高い評価が導かれる。

関連論文リスト

Target speaker anonymization in multi-speaker recordings [35.23403922131853]
本研究は,多話者対話音声における話者匿名化の重大な課題に対処する。このシナリオは、顧客のプライバシが顧客の声のみを匿名化する必要があるコールセンタのようなコンテキストに非常に関係している。本研究の目的は,会話音声における話者匿名化を効果的に行うことによって,これらのギャップを埋めることである。
論文参考訳（メタデータ） (2025-10-10T11:59:45Z)
VoxGuard: Evaluating User and Attribute Privacy in Speech via Membership Inference Attacks [51.68795949691009]
差分プライバシとメンバシップ推論に基づくフレームワークであるVoxGuardを紹介した。属性については, 匿名化後も, 性別やアクセントをほぼ完全精度で再現できることが示唆された。以上の結果から,EERはリークを著しく過小評価し,低FPR評価の必要性を浮き彫りにしている。
論文参考訳（メタデータ） (2025-09-22T20:57:48Z)
Multi-Target Backdoor Attacks Against Speaker Recognition [60.8399833165557]
位置に依存しないクリック音を用いた話者識別に対するマルチターゲットバックドア攻撃を提案する。提案手法は最大50人の話者を同時に対象とし,95.04%の成功率を達成した。
論文参考訳（メタデータ） (2025-08-12T01:52:30Z)
Anonymizing Speech: Evaluating and Designing Speaker Anonymization Techniques [1.2691047660244337]
音声ユーザインタフェースの利用が増加し、音声データの収集と保存が急増した。本論文は、音声の匿名化と匿名化の程度を評価するためのソリューションを提案する。
論文参考訳（メタデータ） (2023-08-05T16:14:17Z)
When the Majority is Wrong: Modeling Annotator Disagreement for Subjective Tasks [45.14664901245331]
ヘイトスピーチの検出における重要な問題は、ある声明が人口集団に対して攻撃的であるかどうかを決定することである。我々は、潜在的に攻撃的なテキストに基づいて、個々のアノテータ評価を予測するモデルを構築した。その結果、アノテータの評価は、その人口統計情報とオンラインコンテンツに関する意見を用いて予測できることがわかった。
論文参考訳（メタデータ） (2023-05-11T07:55:20Z)
Evaluation of Speaker Anonymization on Emotional Speech [9.223908421919733]
音声データには、話者のアイデンティティや感情状態など、さまざまな個人情報が含まれている。最近の研究は、音声のプライバシーを守るという話題に対処している。 VoicePrivacy 2020 Challenge(VPC)は、話者の匿名化に関するものだ。
論文参考訳（メタデータ） (2023-04-15T20:50:29Z)
Differentially Private Speaker Anonymization [44.90119821614047]
実世界の発話を共有することが、音声ベースのサービスのトレーニングと展開の鍵となる。話者匿名化は、言語的および韻律的属性をそのまま残しながら、発話から話者情報を除去することを目的としている。言語的属性と韻律的属性は依然として話者情報を含んでいる。
論文参考訳（メタデータ） (2022-02-23T23:20:30Z)
Membership Inference Attacks Against Self-supervised Speech Models [62.73937175625953]
連続音声における自己教師付き学習(SSL)が注目されている。ブラックボックスアクセス下でのMIA(Commanship Inference Attacks)を用いたSSL音声モデルに対する最初のプライバシ分析を行う。
論文参考訳（メタデータ） (2021-11-09T13:00:24Z)
Evaluating X-vector-based Speaker Anonymization under White-box Assessment [0.0]
Voice Privacyチャレンジのシナリオでは、ソーススピーカーからすべての発話を同じターゲットIDに適合させることで、匿名化を実現する。本稿では,標的選択を特定のアイデンティティに限定して,ホワイトボックス評価の下での極端な脅威を評価することを提案する。
論文参考訳（メタデータ） (2021-09-24T13:08:07Z)
Speaker De-identification System using Autoencoders and Adversarial Training [58.720142291102135]
本稿では,対人訓練とオートエンコーダに基づく話者識別システムを提案する。実験結果から, 対向学習とオートエンコーダを組み合わせることで, 話者検証システムの誤り率が同等になることがわかった。
論文参考訳（メタデータ） (2020-11-09T19:22:05Z)
Design Choices for X-vector Based Speaker Anonymization [48.46018902334472]
第1回VoicePrivacy Challengeのベースラインとして,フレキシブルな擬似話者選択手法を提案する。 LibriSpeechから派生したデータセットを使用して実験を行い、プライバシとユーティリティの観点から設計選択の最適な組み合わせを見つける。
論文参考訳（メタデータ） (2020-05-18T11:32:14Z)

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。