[論文レビュー] Channel-wise Gated Res2Net: Towards Robust Detection of Synthetic Speech Attacks

Xu Li, Xixin Wu+3 more|arXiv (Cornell University)|Jul 19, 2021

Speech Recognition and Synthesis参考文献 29被引用数 6

ひとこと要約

本論文は、自動話者認証における合成音声攻撃の検出における耐障害性を向上させる、新たな深層学習アーキテクチャであるチャネルワイドゲートドRes2Net（CG-Res2Net）を提案する。チャネルワイドゲート機構をRes2Netブロックに統合することで、不要なチャネルを動的に抑制し、ASVspoof 2019の論理的アクセス評価で最先端の性能を達成した。MCG-Res2Net50はEERを28.8%低減し、MLCG-Res2Net50は未観測の最も困難な攻撃（A17）における検出精度をRes2Netより6.15%向上させた。

ABSTRACT

Existing approaches for anti-spoofing in automatic speaker verification (ASV) still lack generalizability to unseen attacks. The Res2Net approach designs a residual-like connection between feature groups within one block, which increases the possible receptive fields and improves the system's detection generalizability. However, such a residual-like connection is performed by a direct addition between feature groups without channel-wise priority. We argue that the information across channels may not contribute to spoofing cues equally, and the less relevant channels are expected to be suppressed before adding onto the next feature group, so that the system can generalize better to unseen attacks. This argument motivates the current work that presents a novel, channel-wise gated Res2Net (CG-Res2Net), which modifies Res2Net to enable a channel-wise gating mechanism in the connection between feature groups. This gating mechanism dynamically selects channel-wise features based on the input, to suppress the less relevant channels and enhance the detection generalizability. Three gating mechanisms with different structures are proposed and integrated into Res2Net. Experimental results conducted on ASVspoof 2019 logical access (LA) demonstrate that the proposed CG-Res2Net significantly outperforms Res2Net on both the overall LA evaluation set and individual difficult unseen attacks, which also outperforms other state-of-the-art single systems, depicting the effectiveness of our method.

研究の動機と目的

• 自動話者認証（ASV）における未観測の合成音声攻撃への対スプーフィングシステムの一般化を向上させること。
• Res2Netの限界、すなわちチャネルワイド注目を伴わない直接的な残差接続を採用しているため、最適でない特徴選択が生じることを是正すること。
• 特徴統合中にあまり関連性のないチャネルを動的に抑制するためのチャネルワイドゲーティング機構を設計すること。
• Res2Netフレームワーク内での3つの異なるゲーティング機構（単一グループ、マルチグループ、潜在空間ゲート）の有効性を評価すること。
• 特に最も困難なA17攻撃に対して、既存の最先端単一システムと比較して優れた性能を発揮すること。

提案手法

• 特徴グループ間の残差的接続にチャネルワイドゲーティング機構を挿入することで、Res2Netを拡張した新規アーキテクチャ、CG-Res2Netを提案する。
• 3種類のゲーティング機構を導入：単一グループチャネルワイドゲート（SCG）、マルチグループチャネルワイドゲート（MCG）、マルチグループ潜在空間チャネルワイドゲート（MLCG）、それぞれが注目重みの計算方法で異なる。
• SCGゲートは、現在の特徴グループにのみ依存してチャネル重みを学習する全結合層を用いる。
• MCGゲートは、現在の特徴グループと次の特徴グループを比較して注目を計算し、文脈に応じた抑制を可能にする。
• MLCGゲートは、両方の特徴グループを別々の潜在空間に射影した後、ゲートを計算することで、より複雑な非線形注目学習を可能にする。
• モデルは交差エントロピー損失を用いて学習され、EERおよびt-DCF指標を用いてASVspoof 2019の論理的アクセス（LA）ベンチマークで評価された。

実験結果

リサーチクエスチョン

• RQ1 Res2Netにチャネルワイドゲーティングを導入することで、ASVにおける未観測の合成音声攻撃への一般化が向上するか？
• RQ2 SCG、MCG、MLCGの異なるゲーティング機構は、多様な攻撃タイプにおいて検出の耐障害性をどのように向上させるか？
• RQ3 CG-Res2Netは、ASVspoof 2019 LA評価セット、特に検出が難しい攻撃（A17）において、Res2Netおよび他の最先端単一システムを上回る性能を発揮するか？
• RQ4 チャネルワイド注目は、対スプーフィングモデルにおける特徴統合時における不要な特徴の影響をどの程度軽減するか？

主な発見

• MCG-Res2Net50は、ASVspoof 2019 LA評価セットで1.78%のEERを達成し、Res2Net50と比較して28.8%の相対的低減を示した。
• 最も困難な未観測攻撃、A17において、MLCG-Res2Net50は87.63%の検出精度を達成し、Res2Net50を6.15ポイント上回った。
• SCG、MCG、MLCGの3つのCG-Res2Netバリエーションすべてが、全体のLA評価セットおよび個々の困難な未観測攻撃において、Res2Net50を上回った。
• 提案されたCG-Res2Netモデルは、EERおよびt-DCFの両面で、ASVspoof 2019 LAベンチマークにおける報告済みの単一SOTAシステムをすべて上回った。
• MCG-Res2Net50はt-DCF 0.052を達成し、Res2Net50と比較して29.7%の相対的低減を示し、システムの信頼性が優れていることを示した。
• 結果は、チャネルワイドゲーティングが関連性の低いチャネルを抑制することで特徴選択を強化し、未観測の合成音声攻撃への一般化を向上させることを確認した。