Nov, 2022

基于声调增强和声音遮蔽的关键词检测后门攻击

PDF
TL;DR本文提出了一种基于 Pitch Boosting 和 Sound Masking 的关键词检索（KWS）后门攻击方案（PBSM），实验结果表明可以在污染少于 1% 的训练数据的情况下实现约 90% 的攻击成功率。
keyword spottingdeep neural networksbackdoor attackpitch boostingsound masking
发现论文，激发创造
  • 基于声纹选择和语音转换的关键词检测后门攻击

    使用 Voiceprint Selection 和 Voice Conversion 的后门攻击方案可以成功地攻击基于深度神经网络的关键词识别系统，从而引起误判。

    Dec, 2022

  • 通过声音元素实现针对语音识别的隐秘后门攻击

    本文提出了利用声调与音色来设计更隐蔽但有效的语音后门攻击方式，通过实验验证了该方法在各种设置下的有效性和隐蔽性。

    Jul, 2023

  • 通过后门关键词识别减轻基于 LSTM 的文本分类系统中的后门攻击

    分析内部 LSTM 神经元的变化，提出了一种防御方法，名为 Backdoor Keyword Identification，用于防御针对基于 LSTM 的文本分类的后门攻击，该方法可以在没有验证和可信数据集的情况下识别并排除用于向模型中插入后门的被破坏样本，实验结果表明无论触发句子如何，该方法在四个不同的文本分类数据集上都取得了良好的性能。

    Jul, 2020

  • 基于数据增强的针对播放干扰的关键词识别技术

    本文提出了一种数据增强策略来提高在环境嘈杂的情况下关键词识别，通过利用不同的信号干扰比例和音频污染技术来降低虚警率，取得了 30-45％的相对错误拒绝率的提高。

    Aug, 2018

  • 通过自监督预训练实现噪声鲁棒的关键词检测

    使用自我监督学习（SSL）预训练算法 Data2Vec 可以提高关键词识别（KWS）模型在嘈杂环境下的鲁棒性。

    Mar, 2024

  • 深度口语关键词检测：概述

    本文综述了深度口语识别应用技术，包括深度学习、语音识别、音视频识别等方向，旨在为相关从业者和研究人员提供指导和帮助。

    Nov, 2021

  • WaNet-- 基于不可察觉畸变的后门攻击

    本文提出了一种基于扭曲触发器的后门攻击以及一种名为 “噪声模式” 的新型训练模式，旨在使这种攻击机制对机器防御者难以检测，其结果表明，这种后门攻击比先前的方法在人类检测测试中的表现要好得多，并成功地攻击和绕过 MNIST、CIFAR-10、GTSRB 和 CelebA 等标准分类数据集上的最新的防御方法。

    Feb, 2021

  • 基于语音增强的无监督学习关键词检测

    本文研究了一种基于语音增强的无监督学习方法来解决关键词检测任务，提出了一种 CNN-Attention 模型来处理关键词检测任务，并通过两种语音增强方法来提高模型的稳健性和分类效果，实验表明，这种增强式的无监督学习方法能够进一步提高关键词检测的准确率。

    May, 2022

  • 交易魔鬼：基于随机投资模型和贝叶斯方法的强韧后门攻击

    通过操纵音频的风格属性来欺骗语音识别系统的策略性投资型后门攻击（MarketBack）被研究，实验结果表明，当污染少于 1％的训练数据时，MarketBack 在七个受害模型中可实现接近 100％的平均攻击成功率。

    Jun, 2024

  • MASTERKEY: 实用的针对说话人验证系统的后门攻击

    提出了一种名为 MASTERKEY 的后门攻击，针对智能手机系统中的说话者验证模型进行破坏，通过设计通用后门攻击任意目标说话者，成功率 100％，中毒率为 15％，在 3％中毒率时也能保持 50％的成功率。

    Sep, 2023