論文の概要: Proteus: Automated Adversarial Robustness Testing for Audio Deepfake Detectors

• arxiv url: http://arxiv.org/abs/2606.29544v1
• Date: Sun, 28 Jun 2026 18:14:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.955982
• Title: Proteus: Automated Adversarial Robustness Testing for Audio Deepfake Detectors
• Title（参考訳）: Proteus:オーディオディープフェイク検出のための対向ロバストネス自動テスト
• Abstract要約: オーディオディープフェイク検出システムの自動ロバストネステストのための,Resemble AIで開発されたフレームワークであるProteusを紹介する。 Proteusは日々の音声変換のシーケンスを検索し、音声品質を維持しながら検出者を騙す組み合わせを見つける。 我々は,Proteusの連続的な展開から得られた知見を報告し,特定の増補鎖が検出精度を確実に反転させることができることを示した。
• 参考スコア（独自算出の注目度）: 4.575283847781534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present Proteus, a framework developed at Resemble AI for automated robustness testing of our audio deepfake detection system. Given a detector, Proteus systematically searches over sequences of everyday audio transformations (codec transcoding, additive noise, reverberation, dynamic-range compression, and VoIP simulation) to find combinations that fool the detector while preserving speech quality. We propose two complementary search strategies: (1) a breadth-first search that exhaustively maps augmentation effectiveness across the parameter space, and (2) a Q-learning agent designed to efficiently discover deeper attack chains by exploiting structural patterns in the BFS data. We report findings from continuous deployment of Proteus against our production detector, showing that specific augmentation chains can reliably flip detection verdicts while preserving speech intelligibility and speaker identity. We discuss how these findings are used to harden the detector through targeted retraining.
• Abstract（参考訳）: オーディオディープフェイク検出システムの自動ロバストネステストのための,Resemble AIで開発されたフレームワークであるProteusを紹介する。 検出器が与えられた場合、Proteusは日々の音声変換(符号化、付加雑音、残響、ダイナミックレンジ圧縮、VoIPシミュレーション)のシーケンスを体系的に検索し、音声品質を保ちながら検出器を騙す組み合わせを見つける。 本稿では,(1)パラメータ空間全体にわたる拡張効率を網羅的にマッピングする幅優先探索と,(2)BFSデータの構造パターンを利用してより深い攻撃連鎖を効率的に発見するQラーニングエージェントを提案する。 本稿では,Proteusの連続的展開から得られた知見を報告し,音声の明瞭さと話者のアイデンティティを保ちながら,特定の拡張チェーンが検出精度を確実に反転させることができることを示した。 対象再トレーニングにより検出器を硬化させる方法について検討する。

関連論文リスト

• Can Current Detectors Catch Face-to-Voice Deepfake Attacks? [6.799303764989023]
  FOICEは、音声サンプルを必要とせず、単一の顔画像から被害者の声を生成する。 これは、顔画像が音声サンプルよりも敵が入手しやすいという深刻なセキュリティ上の懸念を引き起こす。 本報告では,FOICE検出の系統的評価を行い,先行検出器が標準条件と雑音条件の両方で連続的に故障することを示す。
  論文  参考訳（メタデータ） (2025-10-23T21:24:55Z)
• Benchmarking Fake Voice Detection in the Fake Voice Generation Arms Race [5.051497895059242]
  既存のベンチマークでは、さまざまな偽音声サンプルを単一のデータセットに集約して評価する。 このプラクティスは、メソッド固有のアーティファクトをマスクし、異なる世代パラダイムに対する検出器のさまざまなパフォーマンスを隠蔽する。 我々は,新しい1対1評価プロトコルによって17の最先端の偽音声生成装置と8つの先行検知器の相互作用を体系的に評価する,最初のエコシステムレベルのベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-10-08T00:52:06Z)
• Retrieval-Augmented Audio Deepfake Detection [27.13059118273849]
  そこで本研究では,類似のサンプルを用いて検体を増強する検索拡張検出フレームワークを提案する。 提案したRADフレームワークのベースライン法よりも優れた性能を示す実験を行った。
  論文  参考訳（メタデータ） (2024-04-22T05:46:40Z)
• Proactive Detection of Voice Cloning with Localized Watermarking [50.13539630769929]
  本稿では,AI生成音声の局所検出に特化して設計された,最初の音声透かし技術であるAudioSealを紹介する。 AudioSealは、ローカライゼーションロスと共同でトレーニングされたジェネレータ/検出器アーキテクチャを使用して、サンプルレベルまでローカライズされた透かし検出を可能にする。 AudioSealは、実生活のオーディオ操作に対する堅牢性と、自動的および人的評価指標に基づく非知覚性の観点から、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-01-30T18:56:22Z)
• Robust Wake-Up Word Detection by Two-stage Multi-resolution Ensembles [48.208214762257136]
  オーディオストリームのリアルタイム処理のための軽量オンデバイスモデルと、サーバ側の検証モデルである。 プライバシーを保護するため、オーディオ機能は生のオーディオではなくクラウドに送られる。
  論文  参考訳（メタデータ） (2023-10-17T16:22:18Z)
• Can AI-Generated Text be Reliably Detected? [50.95804851595018]
  大規模言語モデル(LLM)は、様々なアプリケーションで非常によく機能します。 盗作、偽ニュースの発生、スパムなどの活動においてこれらのモデルが誤用される可能性があることは、彼らの責任ある使用に対する懸念を引き起こしている。 我々は、攻撃者の存在下で、これらのAIテキスト検出装置の堅牢性を強調テストする。
  論文  参考訳（メタデータ） (2023-03-17T17:53:19Z)
• Combining Automatic Speaker Verification and Prosody Analysis for Synthetic Speech Detection [15.884911752869437]
  本稿では,人間の声の2つの高レベルな意味的特性を組み合わせた合成音声検出手法を提案する。 一方, 話者識別手法に着目し, 自動話者検証タスクの最先端手法を用いて抽出した話者埋め込みとして表現する。 一方、リズム、ピッチ、アクセントの変化を意図した音声韻律は、特殊なエンコーダによって抽出される。
  論文  参考訳（メタデータ） (2022-10-31T11:03:03Z)
• Deep Spectro-temporal Artifacts for Detecting Synthesized Speech [57.42110898920759]
  本稿では,トラック1(低品質フェイク音声検出)とトラック2(部分フェイク音声検出)の総合評価を行う。 本稿では, 原時間信号, スペクトル特性, 深層埋没特性を用いて, 分光時相アーティファクトを検出した。 我々はそれぞれ1番線と2番線で4位と5位にランクインした。
  論文  参考訳（メタデータ） (2022-10-11T08:31:30Z)
• Fully Automated End-to-End Fake Audio Detection [57.78459588263812]
  本稿では,完全自動エンドツーエンド音声検出手法を提案する。 まず、wav2vec事前学習モデルを用いて、音声の高レベル表現を得る。 ネットワーク構造には, Light-DARTS という異種アーキテクチャサーチ (DARTS) の修正版を用いる。
  論文  参考訳（メタデータ） (2022-08-20T06:46:55Z)
• No Need to Know Physics: Resilience of Process-based Model-free Anomaly Detection for Industrial Control Systems [95.54151664013011]
  本稿では,システムの物理的特性に反する逆スプーフ信号を生成するための新しい枠組みを提案する。 トップセキュリティカンファレンスで公表された4つの異常検知器を分析した。
  論文  参考訳（メタデータ） (2020-12-07T11:02:44Z)

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。