[論文レビュー] Attentive Filtering Networks for Audio Replay Attack Detection

Cheng-I Lai, Alberto Abad+4 more|arXiv (Cornell University)|Oct 31, 2018

Speech Recognition and Synthesis参考文献 13被引用数 4

ひとこと要約

本稿では、自動発話者認証における音声リプレイ攻撃検出のための注意メカニズムを備えたフィルタリングネットワーク（AFN）を提案する。この手法は、判別的な時間領域および周波数領域特徴を強化する注目ベースのフィルタと、拡張された残差ネットワーク（DRN）分類器を組み合わせるものである。ASVspoof 2017 Version 2.0のテストセットにおいて8.99%のEERを達成し、システム統合によって30%の相対的改善を示した。これは、小規模で不均衡なデータセットにおいて、有効な特徴強化と高い一般化性能を示している。

ABSTRACT

An attacker may use a variety of techniques to fool an automatic speaker verification system into accepting them as a genuine user. Anti-spoofing methods meanwhile aim to make the system robust against such attacks. The ASVspoof 2017 Challenge focused specifically on replay attacks, with the intention of measuring the limits of replay attack detection as well as developing countermeasures against them. In this work, we propose our replay attacks detection system - Attentive Filtering Network, which is composed of an attention-based filtering mechanism that enhances feature representations in both the frequency and time domains, and a ResNet-based classifier. We show that the network enables us to visualize the automatically acquired feature representations that are helpful for spoofing detection. Attentive Filtering Network attains an evaluation EER of 8.99$\%$ on the ASVspoof 2017 Version 2.0 dataset. With system fusion, our best system further obtains a 30$\%$ relative improvement over the ASVspoof 2017 enhanced baseline system.

研究の動機と目的

• リプレイ攻撃検出のための判別的な時間領域および周波数領域特徴を自動的に同定・強化する深層学習システムの開発を目的とする。
• 攻撃の兆候が疎で、時間的に変化する、または音声特徴において部分的に観測可能な場合のスプーフィング攻撃の検出という課題に対処することを目的とする。
• アンチスプーフィングベンチマークで一般的な小規模で不均衡なデータセットにおける過学習に対する耐性を高めることを目的とする。
• 学習された注目メカニズムを可視化・解釈することで、それがスプーフィング検出にどのように関連しているかを検証することを目的とする。

提案手法

• 3秒のスライディングウィンドウで平均正規化を施したログスペクトログラム特徴量を用い、時間周波数マップを257×1091に統一することで、発話レベルの表現を保持する。
• 完全結合層を拡張された畳み込み（dilated convolutions）と変更された残差ユニットに置き換えた拡張された残差ネットワーク（DRN）を採用し、長距離依存性を捉え、特徴学習を向上させる。
• 注目ベースのフィルタリング機構により、分類の前段で入力スペクトログラムの特定の時間的および周波数的成分に学習可能な注目重みを適用し、強調または抑制を行う。
• 注目メカニズムは、異なる非線形活性化関数（Sigmoid、SoftmaxT、SoftmaxF、Tanh）を用いて実装され、それぞれが異なる注目パターンを生成し、補完的な特徴学習を実現する。
• 異なる活性化関数を用いた複数のAFNシステムを統合することで、補完的な注目マップを統合し、全体の検出性能を向上させる。
• 最終的な分類器は、複数の注目強化特徴表現のスコアレベル統合を用い、検出精度を向上させる。

実験結果

リサーチクエスチョン

• RQ1 注目ベースのフィルタリング機構は、リプレイ攻撃検出のための判別的な時間領域および周波数領域特徴を効果的に特定・強化できるか？
• RQ2 注目メカニズムにおける異なる非線形活性化関数は、モデルのスプーフィングキューの検出能力にどのように影響を与えるか？
• RQ3 提案されたアテンションフィルタリングネットワークは、小規模で不均衡なデータセットにおいて、未観測データにどの程度一般化できるか？
• RQ4 異なる活性化パターンを持つ複数の注目機構を統合することで、個別のモデルに比べて検出性能が向上するか？

主な発見

• 提案されたアテンションフィルタリングネットワークは、ASVspoof 2017 Version 2.0データセットにおいて評価用EERが8.99%に達し、ベンチマーク上で優れた性能を示した。
• 注目メカニズムにSigmoid活性化関数を用いた最良の単一システムが、8.99%のEERを達成し、他の活性化関数を上回った。
• SigmoidおよびSoftmaxT活性化関数を用いたAFNのシステム統合により、評価セットでのEERは8.54%に低下し、強化されたベースラインシステム比で30%の相対的改善が得られた。
• 注目ヒートマップの分析から、Sigmoidは時間的および周波数的全域にわたる密な活性化を生成するが、Softmax変種はスパarsityを強制し、異なるが補完的な特徴選択行動を示していることがわかった。
• 開発セットと評価セットのEERの差が小さい（例：最良の統合システムでは6.09 vs. 8.54）ことから、小規模で不均衡なデータセットであるにもかかわらず、強い一般化性能と低い過学習が示された。
• ELU活性化関数を用いたDRNベースの分類器は10.16%のEERを示し、注目メカニズムの追加によりEERがさらに低下した。これは、特徴強化の有効性を裏付けている。