Використання латентів нейронного аудіо-кодека для протиправних аудіо-атак
https://ift.tt/ZPnHT5k
Системи класифікації аудіо на основі глибокого навчання, включаючи автоматичну верифікацію мовця, уразливі до атак з використанням зловмисних зразків. Реалістична оцінка загрози в режимі реального часу залишається складною, оскільки оптимізаційні методи, такі як зсув градієнтів із проекцією (PGD) і метод Карліні-Вагнера, потребують витратних ітераційних оновлень у високорозмірному просторі хвиль. Генеративні атаки дозволяють одноразову синтезу, але часто вводять відчутні артефакти або залежать від обчислювально витратних архітектур, тоді як дифузійні та авторегресійні підходи несуть високу затримку при виводі. Щоб заповнити цю прогалину, ми пропонуємо фреймворк генеративної атаки, що працює у безперервному латентному просторі нейронного аудіо-кодека. Умовний генератор синтезує змінення клас-специфічно у одному прямому проходженні і декодує їх у зловмисні хвильові форми. Наш метод досягає цільових відсотків успіху атак до 99% із затримкою виводу менш ніж 7 мс, перевершуючи генеративні бази та знижуючи затримку у 24 рази.
HI-FI News
через Штучний Інтелект https://ift.tt/oQ4nqiz
23 червня 2026 р. о 06:35 AM
June 23, 2026 at 06:35AM
Залишити відповідь