ترجمه فارسی مقاله Malacopula: حملات تأیید خودکار بلندگوی متخاصم با استفاده از یک مدل Hammerstein تعمیم یافته مبتنی بر عصبی

چکیده

We present Malacopula, a neural-based generalised Hammerstein model designed to introduce adversarial perturbations to spoofed speech utterances so that they better deceive automatic speaker verification (ASV) systems. Using non-linear processes to modify speech utterances, Malacopula enhances the effectiveness of spoofing attacks. The model comprises parallel branches of polynomial functions followed by linear time-invariant filters. The adversarial optimisation procedure acts to minimise the cosine distance between speaker embeddings extracted from spoofed and bona fide utterances. Experiments, performed using three recent ASV systems and the ASVspoof 2019 dataset, show that Malacopula increases vulnerabilities by a substantial margin. However, speech quality is reduced and attacks can be detected effectively under controlled conditions. The findings emphasise the need to identify new vulnerabilities and design defences to protect ASV systems from adversarial attacks in the wild.

چکیده به فارسی (ترجمه ماشینی)

ما Malacopula ، یک مدل هامرشتاین عمومی مبتنی بر عصبی را ارائه می دهیم که برای معرفی آشفتگی های مخالف برای سخنان گفتار فریب خورده طراحی شده است تا آنها بهتر سیستم های تأیید بلندگو (ASV) را فریب دهند.با استفاده از فرآیندهای غیر خطی برای اصلاح سخنان گفتار ، مالاکوپولا باعث افزایش اثربخشی حملات کلاهبرداری می شود.این مدل شامل شاخه های موازی توابع چند جمله ای و به دنبال آن فیلترهای خطی متغیر است.روش بهینه سازی مخالف برای به حداقل رساندن فاصله كسین بین تعبیه بلندگوهای استخراج شده از سخنان جعلی و مناسب عمل می كند.آزمایشات ، با استفاده از سه سیستم ASV اخیر و مجموعه داده ASVSPOOF 2019 ، نشان می دهد که مالاکوپولا با حاشیه قابل توجهی آسیب پذیری ها را افزایش می دهد.با این حال ، کیفیت گفتار کاهش می یابد و در شرایط کنترل شده می توان حملات را به طور مؤثر تشخیص داد.این یافته ها بر لزوم شناسایی آسیب پذیری های جدید و دفاعی طراحی برای محافظت از سیستم های ASV در برابر حملات مخالف در طبیعت تأکید می کند.