Jun, 2023

低秩模型挤压的自适应假音频检测

PDF
TL;DR本研究提出了一种针对新型虚假语音的低秩适应矩阵训练方法，在保持现有模型识别已知虚假语音准确率的同时，减小了存储内存需求，降低了错误率。
发现论文，激发创造
  • 基于 Wav2vec2 的假音频检测的低秩适应方法

    文章介绍了如何使用低秩适应（LoRA）方法在不显著劣化性能的情况下，有效减少预训练语音模型的微调时间和内存占用

    Jun, 2023

  • 全自动端到端假音频检测

    本文提出了一种完全自动化的端到端虚假音频检测方法，使用了 wav2vec 预训练模型和修改版的 differentiable architecture search 算法（light-DARTS），在 ASVspoof 2019 LA 数据集上取得了 1.08% 的等错误率，性能优于现有的单一系统。

    Aug, 2022

  • 低秩微调 LLMs：公平视角

    研究表明低秩逼近 Fine-Tuning 在捕捉 Fine-Tuning 数据集从初始预训练数据分布中的转变方面具有不足之处，会产生不可忽视的副作用，包括在针对有毒模型和提供公平模型的情景下意外保留不合理的偏差和有毒行为。此外，对于顺序决策任务，需要进行仔细评估以促进负责任的大型语言模型开发。

    May, 2024

  • 自适应连续学习用于音频深度伪造检测

    我们提出了一种持续学习方法，称为 Radian Weight Modification (RWM)，用于音频深度伪造检测，通过引入可训练的梯度修正方向来提高知识获取和减少遗忘，在音频深度伪造检测方面优于其他方法，并显示出在图像识别等不同机器学习领域的潜在重要性。

    Dec, 2023

  • 克服虛假音頻檢測中的災難性遺忘

    我们提出了一种连续学习算法用于检测伪造音频以克服灾难性遗忘，并引入正则化约束来控制特征分布，通过自适应权重修改方向，网络可以在新数据集上有效检测伪造音频，同时保留对旧模型的知识，实现降低灾难性遗忘。我们在多个数据集上评估了我们的方法，并在跨数据集实验中取得了显著的性能改进。

    Aug, 2023

  • 基于深度学习的音频伪造检测网络的泛化

    利用小波包和短時傅里叶變換等技術，用于波形数据处理，實現了更輕量級的檢測器，用于對抗利用生成式神經網絡制造的合成語音的詐騙行為，對新型 Avocado 和 BigVGAN 網絡的檢測效果更佳。

    May, 2023

  • 检测虚假音频的声码器指纹初步研究

    提出一种检测假音频的方法，通过实验得出不同的 vocoder 生成不同的指纹，探讨了特征和模型结构，并可应用于音频取证。

    Aug, 2022

  • 检索辅助的音频深度伪造检测

    使用检索增强的检测框架，基于语音合成和深假声音技术，以及 ASVspoof 2021 数据集的实验结果，改进了深假声音检测方法，并提升了检测性能。

    Apr, 2024

  • 通往通讯平台实时深假语音检测系统的发展

    本研究旨在评估在实时通信平台上采用静态深假音频检测模型的可行性，研发了可在多平台上运行的可执行软件，并使用 ASVspoof 2019 数据集实现了基于 Resnet 和 LCNN 架构的两个深假音频检测模型，达到了与 ASVspoof 2019 挑战基准的比较性能。该研究提出了增强这些模型的策略和框架，为在通信平台上实现实时深假音频检测铺平了道路，从而推动音频流安全性的进一步发展，并确保在动态实时通信场景下具备强大的检测能力。

    Mar, 2024

  • 基于嵌入向量的高效临时深度伪造位置方法用于部分欺诈音频检测

    提出了一种名为时序深度伪造定位 (Temporal Deepfake Location，TDL) 的细粒度部分伪造音频检测方法，采用了嵌入相似度模块和时序卷积操作，能够更准确地定位音频的真实性，并在 ASVspoof2019 部分伪造数据集中表现出优异性能。

    Sep, 2023