本文提出了基于不同声学特征空间的对抗攻击反欺诈技术，并比较了线性和非线性分类器的效果。实验表明，相位相关和小波基础特征对系统效率的提高有重要作用。

Jul, 2015

本研究旨在通过分析不同的声学特征空间和分类器，确定可靠和强大的对抗欺骗攻击的措施。实验结果表明，基于深度神经网络（DNN）的方法在欺骗检测任务中获得了相当低的等错误率(EER)

May, 2017

ASVspoof 2021提出了新的deepfake语音检测任务，介绍了三个任务、每个任务的新数据库、评估指标、四个基线模型、评估平台以及比赛结果，并展示了近年来该领域取得的显著进展，尽管物理访问任务的结果显示在现实、不断变化的物理空间中检测攻击的难度很大。

Sep, 2021

研究如何提高自动说话人验证系统的欺骗稳健性，主要从基于概率线性判别分析的后端分类器入手，并运用三种无监督领域适应技术来优化它。旨在提高系统在逻辑和物理接近情境下的表现，对于后者，尤其是在被重放音频攻击时，针对真实的和伪造的情况，相对改进率分别达到36.1%和5.3%接近最高点。除此之外，还进行了一些额外的研究，如攻击分析、数据构成和与高斯后端的分数级别的对策系统的集成分析。

Mar, 2022

本研究旨在开发一种单一的整合了反欺骗技术的演讲者验证嵌入式系统，此系统具备拒绝非目标演讲者及目标演讲者欺诈性输入的能力，而且与融合自动演讲者验证（ASV）及反欺骗对策（CM）嵌入式系统相比，能够具备竞争性的表现。该研究提出的新框架包括多阶段训练与损失函数的组合，并利用多种声码器与合成技术，来回应训练数据不足及短缺欺骗性数据的问题。实验结果表明出色的改善，进而实现了对SASV2022挑战赛评估协议的SASV-EER低至1.06%的性能。

May, 2023

通过在嵌入空间中利用有限的训练数据来增强简单的后端分类器，我们提出了通用的独立式自动说话人验证（G-SASV）系统，以对抗欺骗攻击，同时避免在测试（认证）阶段单独使用CM模块，在ASVspoof 2019逻辑访问数据集中，我们相对统计ASV后端在合并（真实和欺骗）和欺骗条件下的性能分别最大提高了36.2％和49.8％，以等错误率为指标。

Jan, 2024

本研究针对ASVspoof5开放领域音频深度伪造检测中的关键问题，探讨多种反制措施的有效性，特别是引入频率掩蔽方法以增强模型的鲁棒性。实验结果表明，结合多尺度时间信息和自监督学习特征，显著提高了模型性能，表明该方法在音频安全领域具有重要应用潜力。

Aug, 2024

本研究解决了语音伪造和深度伪造攻击的检测问题，尤其是通过建立一个来自更多说话者的众包数据库。在首次引入对抗攻击的情况下，文中提出的新评估指标和基线显著提升了伪造音频的自动说话人验证的鲁棒性。研究结果表明，攻击会显著影响基线系统，而参赛者的提交则带来了显著改善。

Aug, 2024

本文解决了自动语音识别领域中语音深度伪造检测的有效性问题。通过利用预训练的WavLM作为前端模型，并结合不同的后端技术，研究展示了一种系统的融合方法以提高检测性能。最终，研究结果表明，所提出的系统在检测精度上具有显著优势。

Sep, 2024

本研究针对音频欺骗检测在干净数据库训练评估不足的问题，提出了一种通过清洗攻击进行数据增强的新方法。实验结果表明，所提系统在ASVspoof 5数据库中的一些特定欺骗攻击和编解码条件下表现较差，指出了现有方法的局限性。

Oct, 2024