[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

SHIELD : un apprentissage intégré sécurisé et hautement amélioré pour une détection robuste des deepfakes contre les attaques adverses

Created by
  • Haebom

Auteur

Kutub Uddin, Awais Khan, Muhammad Umar Farooq, Khalid Malik

Contour

Dans cet article, nous proposons SHIELD, une nouvelle méthode d'apprentissage collaboratif pour remédier à la vulnérabilité de la détection des deepfakes audio. Nous démontrons expérimentalement que les méthodes existantes de détection des deepfakes audio sont vulnérables aux attaques anti-forensiques (AF) basées sur des réseaux antagonistes génératifs, et concevons un cadre d'apprentissage collaboratif intégrant un modèle génératif défensif (DF) pour s'en protéger. SHIELD utilise un modèle triplet pour capturer la corrélation entre les audios réels et ceux issus d'attaques AF, et ceux générés à l'aide d'un modèle génératif auxiliaire. Il démontre d'excellentes performances sur divers modèles génératifs sur les jeux de données ASVspoof2019, In-the-Wild et HalfTruth, et atténue efficacement la dégradation de la précision de détection causée par les attaques AF.

Takeaways, Limitations

•
Takeaways:
◦
Présentation de SHIELD, une nouvelle technique de défense qui contrecarre efficacement les attaques anti-forensiques sur l'audio deepfake.
◦
Améliorer la robustesse contre les attaques AF grâce à l'apprentissage collaboratif utilisant des modèles génératifs auxiliaires.
◦
Validation des performances par des expérimentations sur différents jeux de données et modèles génératifs.
•
Limitations:
◦
Des recherches supplémentaires sont nécessaires sur les performances de généralisation du SHIELD proposé. Une évaluation plus approfondie de sa résistance à divers types d'attaques AF pourrait être nécessaire.
◦
L'évaluation des performances en conditions réelles peut être limitée. Des tests sur diverses données audio deepfake réelles peuvent être nécessaires.
◦
Il convient de prendre en compte le coût et la complexité des calculs. Des recherches supplémentaires pourraient être nécessaires pour améliorer l'efficacité du SHIELD.
👍
Made with Slashpage