鲁棒声纹识别的对抗防御

鲁棒声纹识别的对抗防御 一、研究背景及研究意义 一、研究背景及研究意义 一、研究背景及研究意义 方法（白盒）基于查询（黑盒） + ) •Saliency map loss:•Angular loss:Final loss: 二、声纹对抗样本攻击-白盒攻击 Jiadi Yao et al. Symmetric Saliency‐based Adversarial Attack To Speaker Identification, IEEE SignalProcessing Letters 2023.二、声纹对抗样本攻击-白盒攻击 二、声纹对抗样本攻击-黑盒迁移攻击 Jiadi Yao et al. Interpretable Spectrum Transformation Attacks to Speaker Recognition, IEEE TASLP,2023.二、声纹对抗样本攻击-黑盒迁移攻击 Jiadi Yao et al. Interpretable Spectrum Transformation Attacks to Speaker Recognition, IEEE TASLP,2023.二、声纹对抗样本攻击-黑盒迁移攻击 优点声纹判定 三、声纹对抗样本防御-纯化防御1 三、声纹对抗样本防御-纯化防御2 S. Chen, et al. Textual‐Driven Adversarial Purification for Speaker Verification, submitted toInterspeech 2024.三、声纹对抗样本防御-纯化防御3 2 基于规则Mask的对样样本检测基于规则的掩模 三、声纹对抗样本攻防-对抗样本检测1 三、声纹对抗样本防御-对抗样本检测2 三、声纹对抗样本防御-对抗样本检测2 •声纹对抗攻击•白盒攻击•基于显著性检测的对抗样本生成•黑盒迁移攻击•基于MDCT•声纹对抗防御•对抗样本纯化