Гендерна справедливість у виявленні аудіо-дельфейків за допомогою глибокого навчання: аналіз продуктивності та нерівності
https://ift.tt/h4HwOu2
Виявлення дідфейків з аудіо має на меті розпізнавання реальних людських голосів серед голосів, згенерованих штучним інтелектом (ШІ), і стало значною проблемою у сфері систем біометрики голосу. З постійним підвищенням якості синтетичного голосу зростає ймовірність того, що такий голос буде використаний у незаконних практиках, таких як підробка особи та імперсонування. Хоча в цій сфері нещодавно зроблено значний прогрес, проблема гендерної упередженості залишається недостатньо дослідженою та перебуває на ранній стадії. У цій роботі ми провели всебічний аналіз залежності продуктивності від статі та справедливості у моделях виявлення аудіо-дельфейків. Ми використали набір даних ASVspoof 5, навчали класифікатор ResNet-18 і оцінювали продуктивність детекції за чотирма різними аудіоособливостями, а також порівняли продуктивність із базовою моделлю AASIST. За межами традиційних метрик, таких як рівень помилкової сповіщеності та пропуску (EER), ми запровадили п’ять відомих метрик справедливості для кількісного визначення гендерних розривів у моделі. Наші результати свідчать, що навіть коли загальна різниця EER між гендерами здається малою, оцінка з урахуванням справедливості виявляє нерівномірність розподілу помилок, яка приглушується агрегованими показниками продуктивності. Такі висновки демонструють, що опора на стандартні метрики ненадійна, тоді як метрики справедливості надають критично важливі уявлення щодо несправедливих режимів невдач за демографічними ознаками. Ця робота підкреслює важливість оцінювання з урахуванням справедливості для розробки більш рівноправної, надійної та довіреної системи виявлення аудіо-дельфейків.
HI-FI News
через штучний інтелект https://ift.tt/WyYmwFQ
11 березня 2026 р. о 04:17 ранку
March 11, 2026 at 04:17AM
Залишити відповідь
Щоб відправити коментар вам необхідно авторизуватись.