論文の概要: Transforming Keystroke Noise to Text: Self-Supervised Acoustic Eavesdropping Attacks on Keyboards

• arxiv url: http://arxiv.org/abs/2607.22094v2
• Date: Wed, 29 Jul 2026 15:21:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 14:21:10.699262
• Title: Transforming Keystroke Noise to Text: Self-Supervised Acoustic Eavesdropping Attacks on Keyboards
• Title（参考訳）: キーストローク音をテキストに変換する: キーボードによる自己教師付音響盗聴攻撃
• Abstract要約: 本稿では,キーストローク音のみから入力されたテキストを再構成する自己教師型盗聴攻撃を提案する。 提案した攻撃は、2つの現実世界のシナリオ空間とオンラインミーティングにおける盗聴の盗聴を可能にする。
• 参考スコア（独自算出の注目度）: 5.107513187852866
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a self-supervised acoustic eavesdropping attack that reconstructs typed text solely from keystroke sounds, without requiring labeled data for the target device. The proposed attack enables stealthy eavesdropping in two real-world scenarios-physical spaces (public and semi-public) and online meetings. Our method combines unsupervised acoustic clustering with Transformer-based language model inference and iterative self-training, enabling stable character inference under highly uncertain acoustic-to-character mappings. We demonstrate that the proposed method achieves over 99% reconstruction accuracy with only 100-150 observed keystrokes under a close-proximity recording setup using a smartphone placed near the target device, significantly outperforming prior unsupervised baselines in low-data regimes. We further evaluate robustness across multiple laptop platforms and in realistic acquisition channels, including distance recording from approximately 3 meters away on the same desk, through-the-wall eavesdropping with a contact microphone, and background keyboard noise in online conferencing systems. Across these scenarios, the proposed method achieves high reconstruction accuracy (often exceeding 90%) with approximately 150-250 observed keystrokes. These results indicate that accurate text reconstruction from keystroke sounds is feasible in practice under an audio-only setting, even with limited observed keystrokes and without requiring device-specific labeled data, highlighting a realistic and previously underestimated privacy risk.
• Abstract（参考訳）: 本稿では,入力されたテキストをキーストローク音のみから再構成する自己教師型音響盗聴攻撃について,対象装置のラベル付きデータを必要とせずに提案する。 提案した攻撃は、2つの現実世界のシナリオ(パブリックとセミパブリック)とオンラインミーティングにおける盗聴の盗聴を可能にする。 提案手法は,教師なし音響クラスタリングとトランスフォーマーに基づく言語モデル推論と反復的自己学習を組み合わせることで,高精度な音響-文字マッピング下での安定した文字推論を実現する。 提案手法は,100～150個のキーストロークのみを用いて,ターゲット装置近傍に配置されたスマートフォンを用いた近近距離記録装置を用いて,99%以上の再現精度を達成し,低データ体制下での教師なしベースラインを著しく上回ることを示す。 さらに,複数のラップトッププラットフォームと,同じデスクから約3m離れた距離からの遠隔記録,コンタクトマイクを用いた壁面盗聴,オンライン会議システムにおけるバックグラウンドキーボードノイズなど,現実的な取得チャネルの堅牢性を評価する。 これらのシナリオ全体で、提案手法は、約150～250個のキーストロークを用いて、高い復元精度(多くの場合90%を超える)を達成する。 これらの結果は、キーストローク音から正確なテキストを復元することは、観測された限られたキーストロークでも、デバイス固有のラベル付きデータを必要とせず、実際にオーディオのみの設定で実現可能であることを示し、現実的で、これまで過小評価されていたプライバシーリスクを強調している。

関連論文リスト

• Your Microphone Array Retains Your Identity: A Robust Voice Liveness Detection System for Smart Speakers [15.791088130388337]
  本稿では,マイクロホンアレイを用いて収集した音声の同一性を決定する,新たなライブ機能であるアレー指紋を提案する。 32,780個のオーディオサンプルと14個のスプーフィングデバイスを含むデータセットに対する評価は、ARRAYIDが99.84%の精度を達成したことを示している。
  論文  参考訳（メタデータ） (2025-10-28T13:05:30Z)
• EchoFake: A Replay-Aware Dataset for Practical Speech Deepfake Detection [20.54516602251383]
  13,000人以上の話者から120時間以上のオーディオを収集する総合データセットであるEchoFakeを紹介する。 現実のデプロイメントに関連するより実践的な課題を導入することで、EchoFakeは、スプーフィング検出方法を進めるためのより現実的な基盤を提供する。
  論文  参考訳（メタデータ） (2025-10-22T09:34:31Z)
• Quantum-Inspired Audio Unlearning: Towards Privacy-Preserving Voice Biometrics [44.60499998155848]
  QPAudioEraserは量子にインスパイアされたオーディオアンラーニングフレームワークである。 シングルクラス、マルチクラス、シーケンシャル、アクセントレベルの消去シナリオにまたがって、従来のベースラインを一貫して超越している。
  論文  参考訳（メタデータ） (2025-07-29T20:12:24Z)
• Cocktail-Party Audio-Visual Speech Recognition [58.222892601847924]
  本研究では,現在のAVSRシステムのベンチマークを行うために設計された,新しい音声-視覚カクテルパーティデータセットを提案する。 音声とサイレント顔の両方からなる1526時間AVSRデータセットをコントリビュートし,カクテルパーティー環境における顕著な性能向上を実現した。 我々の手法は、WERを最先端と比較して67%削減し、WERを明示的なセグメンテーション手法に頼ることなく、極音の119%から39.2%に削減する。
  論文  参考訳（メタデータ） (2025-06-02T19:07:51Z)
• SoundVista: Novel-View Ambient Sound Synthesis via Visual-Acoustic Binding [51.311553815466446]
  本稿では,任意のシーンの環境音を新しい視点で生成するSoundVistaを紹介する。 SoundVistaは、わずかに分散したマイクからシーンの録音を事前に取得しているので、そのシーンの音を、目に見えないターゲット視点から合成することができる。
  論文  参考訳（メタデータ） (2025-04-08T00:22:16Z)
• Training-Free Deepfake Voice Recognition by Leveraging Large-Scale Pre-Trained Models [52.04189118767758]
  一般化は、現在のオーディオディープフェイク検出器の主な問題である。 本稿では,オーディオディープフェイク検出のための大規模事前学習モデルの可能性について検討する。
  論文  参考訳（メタデータ） (2024-05-03T15:27:11Z)
• OverHear: Headphone based Multi-sensor Keystroke Inference [1.9915929143641455]
  我々は,ヘッドホンの音響および加速度計データを活用するキーストローク推論フレームワークを開発した。 メカニカルキーボードのキー予測精度は,メカニカルキーボードのキー予測精度が約80%,膜キーボードのキー予測精度が約60%である。 その結果,現実シナリオの文脈におけるアプローチの有効性と限界が浮き彫りになった。
  論文  参考訳（メタデータ） (2023-11-04T00:48:20Z)
• A Practical Deep Learning-Based Acoustic Side Channel Attack on Keyboards [6.230751621285321]
  本稿では,スマートフォン内蔵マイクを用いてノートパソコンのキーストロークを分類するために,最先端のディープラーニングモデルを提案する。 近くの電話機で記録されたキーストロークで訓練すると、分類器は95%の精度を達成し、言語モデルを用いずに見られる最高精度を達成した。 この一連の攻撃からユーザを保護するための一連の緩和手法について論じる。
  論文  参考訳（メタデータ） (2023-08-02T10:51:36Z)
• Speech Enhancement for Wake-Up-Word detection in Voice Assistants [60.103753056973815]
  キースポッティング、特にWake-Up-Word(WUW)検出は音声アシスタントにとって非常に重要なタスクである。 本稿では,WUW検出に適応した音声強調モデルを提案する。 これらのノイズの存在下で、認識率を高め、誤報を減らすことを目的としている。
  論文  参考訳（メタデータ） (2021-01-29T18:44:05Z)
• Unsupervised Domain Adaptation for Acoustic Scene Classification Using Band-Wise Statistics Matching [69.24460241328521]
  機械学習アルゴリズムは、トレーニング(ソース)とテスト(ターゲット)データの分散のミスマッチの影響を受けやすい。 本研究では,ターゲット領域音響シーンの各周波数帯域の1次及び2次サンプル統計値と,ソース領域学習データセットの1次と2次サンプル統計値との整合性を有する教師なし領域適応手法を提案する。 提案手法は,文献にみられる最先端の教師なし手法よりも,ソース・ドメインの分類精度とターゲット・ドメインの分類精度の両面で優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-30T23:56:05Z)
• Continuous speech separation: dataset and analysis [52.10378896407332]
  自然な会話では、音声信号は連続的であり、重複成分と重複成分の両方を含む。 本稿では,連続音声分離アルゴリズムを評価するためのデータセットとプロトコルについて述べる。
  論文  参考訳（メタデータ） (2020-01-30T18:01:31Z)

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。