論文の概要: Ouroboros: Self-Referential Backdoor Attacks on Speech Enhancement via Clean Audio Triggers

• arxiv url: http://arxiv.org/abs/2608.30329v1
• Date: Mon, 31 Aug 2026 06:46:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.26392
• Title: Ouroboros: Self-Referential Backdoor Attacks on Speech Enhancement via Clean Audio Triggers
• Title（参考訳）: Ouroboros:クリーンオーディオトリガーによる音声強調に対する自己参照バックドア攻撃
• Abstract要約: Ouroborosは、音声強調モデルの理想的なクリーンアウトプットを自然なトリガーとして活用する、新しいバックドアアタックフレームワークである。 Ouroborosは、パフォーマンスの低下を最小限に抑えながら、未修正のほぼ完璧な攻撃成功率を達成する。 オーロボロは、標的となるコンテンツ改ざん攻撃を一般化し、一般的なフィルタリングや微調整の防御に対して効果を保っている。
• 参考スコア（独自算出の注目度）: 8.760008746068463
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Speech enhancement models are widely deployed as frontend modules in real-time speech services, yet their vulnerability to backdoor attacks remains unexplored. Existing backdoor methods are confined to classification tasks and rely on active trigger injection, an assumption incompatible with the passive processing nature of speech enhancement models. In this paper, we propose Ouroboros, a novel backdoor attack framework that leverages the ideal clean outputs of speech enhancement models as natural triggers, enabling inference-time activation without any external trigger injection. Extensive evaluations show Ouroboros achieves near-perfect attack success rates with minimal performance degradation on diverse models and datasets. Physical-world validations confirm that naturally recorded, unaltered clean audio can reliably activate the backdoor. Moreover, Ouroboros generalizes to targeted content-tampering attacks and remains effective against common filtering and finetuning defenses.
• Abstract（参考訳）: 音声強調モデルは、リアルタイム音声サービスにおけるフロントエンドモジュールとして広くデプロイされているが、バックドア攻撃に対する脆弱性はまだ解明されていない。 既存のバックドア法は分類作業に限られており、音声強調モデルの受動的処理特性とは相容れない仮定であるアクティブトリガーインジェクションに依存している。 本稿では,音声強調モデルの理想的なクリーンな出力を自然なトリガとして活用し,外部トリガを注入せずに推論時のアクティベーションを可能にする,新しいバックドアアタックフレームワークであるOuroborosを提案する。 大規模な評価では、Ouroborosはさまざまなモデルやデータセットのパフォーマンス低下を最小限に抑えながら、ほぼ完璧な攻撃成功率を達成した。 物理界の検証では、自然に録音された、修正されていないクリーンなオーディオがバックドアを確実に活性化できることを確認した。 さらに、Ouroborosは、ターゲットとなるコンテンツ改ざん攻撃を一般化し、一般的なフィルタリングや微調整防御に対して効果を保っている。

関連論文リスト

• SpeechGuard: Online Defense against Backdoor Attacks on Speech Recognition Models [0.45835414225547183]
  バックドア攻撃はニューラルネットワークモデルに重大な脅威をもたらす。 自律運転のための音声インタラクションのようなセキュリティに敏感なアプリケーションでは、バックドア攻撃の存在が重大なセキュリティリスクをもたらす。 我々は,有毒なオーディオサンプルの識別と浄化を目的とした,最初のオンラインバックドア防御パイプラインであるSpeechGuardを提案する。
  論文  参考訳（メタデータ） (2026-07-17T07:16:57Z)
• Backdoor Attacks on Speech Emotion Recognition via TTS-Generated Poisoning [4.436455150491443]
  音声感情認識(SER)システムは、ますます自己教師付き音響表現を活用している。 本報告では,SERに対する毒素によるバックドア攻撃に関する最初の系統的研究について述べる。 我々は、自然音声と合成音声の両方に知覚不能に埋め込まれるステルスで低エネルギーの音響トリガーを導入する。
  論文  参考訳（メタデータ） (2026-06-19T02:36:11Z)
• Self-Purification Mitigates Backdoors in Multimodal Diffusion Language Models [74.1970982768771]
  確立されたデータポゾンパイプラインは,MDLMにバックドアを埋め込むことに成功した。 拡散自己浄化(Diffusion Self-Purification)と呼ばれるMDLMのバックドア防御フレームワークについて紹介する。
  論文  参考訳（メタデータ） (2026-02-24T15:47:52Z)
• Robust Anti-Backdoor Instruction Tuning in LVLMs [53.766434746801366]
  大規模視覚言語モデル(LVLM)のための軽量で認証に依存しない防御フレームワークについて紹介する。 私たちのフレームワークは、命令チューニングの下で、アダプタモジュールとテキスト埋め込み層のみを微調整します。 Flickr30kとMSCOCOに対する7つの攻撃に対する実験は、我々の攻撃の成功率をほぼゼロに低下させることを示した。
  論文  参考訳（メタデータ） (2025-06-04T01:23:35Z)
• Neural Antidote: Class-Wise Prompt Tuning for Purifying Backdoors in CLIP [51.04452017089568]
  CBPT(Class-wise Backdoor Prompt Tuning)は、テキストプロンプトでCLIPを間接的に浄化する効率的な防御機構である。 CBPTは、モデルユーティリティを保持しながら、バックドアの脅威を著しく軽減する。
  論文  参考訳（メタデータ） (2025-02-26T16:25:15Z)
• ELBA-Bench: An Efficient Learning Backdoor Attacks Benchmark for Large Language Models [55.93380086403591]
  生成可能な大規模言語モデルは、バックドアアタックに対して脆弱である。 $textitELBA-Bench$は、パラメータを効率的に微調整することで攻撃者がバックドアを注入できるようにする。 $textitELBA-Bench$は1300以上の実験を提供する。
  論文  参考訳（メタデータ） (2025-02-22T12:55:28Z)
• AS-FIBA: Adaptive Selective Frequency-Injection for Backdoor Attack on Deep Face Restoration [14.392609872661065]
  ディープラーニングベースの顔復元モデルは、高度なバックドア攻撃のターゲットとなっている。 復元モデルに対する攻撃に適した,ユニークな劣化目標を提案する。 本稿では,適応選択周波数注入バックドアアタック(AS-FIBA)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-11T04:44:26Z)
• BadCLIP: Dual-Embedding Guided Backdoor Attack on Multimodal Contrastive Learning [85.2564206440109]
  本報告では,防衛後においてもバックドア攻撃が有効であり続けるという現実的なシナリオにおける脅威を明らかにする。 バックドア検出や細調整防御のモデル化に抵抗性のあるemphtoolnsアタックを導入する。
  論文  参考訳（メタデータ） (2023-11-20T02:21:49Z)
• Fake the Real: Backdoor Attack on Deep Speech Classification via Voice Conversion [14.264424889358208]
  本研究は,音声変換に基づくサンプル特異的トリガを用いたバックドアアタックを探索する。 具体的には、事前に訓練された音声変換モデルを用いてトリガーを生成する。
  論文  参考訳（メタデータ） (2023-06-28T02:19:31Z)
• Defense for Black-box Attacks on Anti-spoofing Models by Self-Supervised Learning [71.17774313301753]
  本研究では,自己指導型高水準表現の堅牢性について,敵攻撃に対する防御に利用して検討する。 ASVspoof 2019データセットの実験結果は、Mockingjayによって抽出されたハイレベルな表現が、敵の例の転送可能性を妨げることを示した。
  論文  参考訳（メタデータ） (2020-06-05T03:03:06Z)

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。