[論文レビュー] Replay attack spoofing detection system using replay noise by multi-task learning.

Hye-jin Shim, Jee-weon Jung+3 more|arXiv (Cornell University)|Aug 29, 2018

Speech Recognition and Synthesis被引用数 1

ひとこと要約

本論文は、再生デバイス、録音環境、録音デバイスからの再生ノイズ分類を活用して、自動発話者認証におけるリプレイ攻撃スプーフィング検出のためのマルチタスク学習フレームワークを提案する。本システムは、ノイズとスプーフィングクラスの共同学習により、ASVspoof2017データセット上でスプーフィング検出性能を相対的に30%向上させる。

ABSTRACT

In this paper, we propose a replay attack spoofing detection system for automatic speaker verification using multitask learning of noise classes. We define the noise that is caused by the replay attack as replay noise. We explore the effectiveness of training a deep neural network simultaneously for replay attack spoofing detection and replay noise classification. The multi-task learning includes classifying the noise of playback devices, recording environments, and recording devices as well as the spoofing detection. Each of the three types of the noise classes also includes a genuine class. The experiment results on the ASVspoof2017 datasets demonstrate that the performance of our proposed system is improved by 30% relatively on the evaluation set.

研究の動機と目的

• 自動発話者認証システムがリプレイ攻撃に対して脆弱であるという問題に対処すること。
• リプレイ攻撃中に生じる固有のノイズ特性をモデル化することで、スプーフィング検出を向上させること。
• スプーフィング検出に加えて、複数のノイズ関連分類タスクを共同で学習することの利点を調査すること。
• 再生デバイス、録音環境、録音デバイスからの再生ノイズを分類し、真の発話も含めたクラスとして扱うこと。

提案手法

• リプレイ攻撃中に生じる音響歪みとして再生ノイズを定義し、真の発話信号とは明確に区別すること。
• スプーフィング検出と、再生デバイス、録音環境、録音デバイスの3つのノイズ分類タスクを同時に学習する深層ニューラルネットワークを設計すること。
• 各ノイズカテゴリに「真の」クラスを含め、自然な発話とスプーフィング信号を区別できることを保証すること。
• スプーフィング検出とノイズ分類タスクの間で表現を共有するマルチタスク学習によりモデルを訓練すること。
• ASVspoof2017データセットを用いて訓練と評価を行い、多様なリプレイ攻撃シナリオを活用すること。
• 各分類目的に特化したヘッドを備えた共有バックボーンを用いてモデルを最適化すること。

実験結果

リサーチクエスチョン

• RQ1 再生ノイズ分類とスプーフィング検出の共同学習は、検出性能を向上させるか？
• RQ2 再生デバイス、録音環境、録音デバイスからのノイズ分類は、スプーフィング信号と真の発話を区別するのにどの程度効果的か？
• RQ3 複数のノイズクラスタイプを組み込むことで、スプーフィング検出のロバスト性が向上するか？
• RQ4 単一タスクベースラインと比較して、マルチタスク学習アプローチの相対的性能向上はどの程度か？

主な発見

• 提案されたマルチタスク学習システムは、ASVspoof2017評価セットにおいてスプーフィング検出性能を相対的に30%向上させた。
• 再生ノイズとスプーフィング検出タスクの共同学習は、単一タスクモデルと比較してより良い一般化性能を示した。
• 各ノイズカテゴリに真の発話をクラスとして含めることで、モデルの自然な信号とスプーフィング信号の区別能力が向上した。
• 再生デバイス、録音環境、録音デバイスからのノイズ分類は、よりロバストなスプーフィング検出に寄与した。
• 複数のノイズおよびスプーフィングタスク間で共有される表現を活用することで、システムは検出精度を向上させた。