音频鲁棒隐私保护的对抗表示学习

Apr, 2023

音频鲁棒隐私保护的对抗表示学习

Adversarial Representation Learning for Robust Privacy Preservation in Audio

Shayan Gharib, Minh Tran, Diep Luong, Konstantinos Drossos, Tuomas Virtanen

TL;DR本研究提出了一种新的对抗性训练方法，用于生成语音含量音频的不变潜在表示，以有效防止从录音的潜在特征检测语音活动，缓解了隐私泄露的问题。

Abstract

sound event detection systems are widely used in various applications such as surveillance and environmental monitoring where data is automatically collected, processed, and sent to a cloud for sound recognition. However, this process may inadvertently reveal sensitive information abou

sound event detection adversarial training privacy concerns latent representations speech activity

发现论文，激发创造

使用源分离和鲁棒对抗学习进行音频隐私保护的表示学习

本研究提出了将源分离和对抗表示学习两种常用方法结合在隐私保护中的智能声学监测系统中，通过学习音频记录的潜在表示，实现区分语音和非语音记录，从而有效提高语音隐私保护，同时在声学监测任务中保持良好的性能。

Aug, 2023

语音识别中的隐私保护对抗性表征学习：现实还是幻象？

本文旨在研究自动语音识别中隐私保护的问题，提出了利用深度编码器 - 解码器架构中的预训练技术来保护说话人身份，通过对开放和封闭说话人集的说话人识别和验证实验，论证了对抗训练架构可以显著减少封闭集的分类精度，提高个人隐私保护的效果。

Nov, 2019

隐私保护与任务导向表征的对抗学习

本文提出了一种对抗性重构学习框架，旨在学习一种以任务为导向的隐私保护表示，以防止模型反演攻击，采用负像素重构损失或负感知距离损失最小化来实现，展示了在面部属性预测任务中我们的方法可以在小幅度降低实用性的情况下保护视觉隐私，并提供了不同特征、任务和数据的广泛研究，以进一步分析它们对隐私保护的影响和效用 - 隐私权衡的关系。

Nov, 2019

面向私有语音生成的对抗表示学习

通过生成式对抗网络（GANs）的模型设计，训练一个 U 型卷积神经网络，用于隐藏声音数据中的敏感个人信息，例如性别等。

Jun, 2020

通过对抗训练进行说话者不变的情感表示学习

本文提出了一种基于对抗训练网络来消除发言人特征并更好地表示情感的机器学习框架，在 IEMOCAP 和 CMU-MOSEI 数据集上实验表明该框架能够提高语音情感分类的准确性并增加对未知发言人的泛化能力。

Nov, 2019

基于频率过滤编码器的隐私安全表示学习

通过引入低通滤波器来增强对抗表示学习方法以保障图像隐私安全，同时在隐私 - 实用性权衡方面优于之前的方法，并通过用户用户研究定性评估了攻击防御性能。

Aug, 2022

对抗样本攻击自动语音识别

本篇论文针对语音分类模型进行了首次对抗攻击的研究，其算法成功实现了目标化攻击，并未改变人类听众对音频剪辑的感知。