背景：
1、對抗樣本大多用于圖像領域；
2、目前用于音頻的對抗樣本有兩個缺點：
（1）容易被人類察覺
改進方法：頻率掩蔽。通過使用另外一種充當“掩蔽器”的信號對對抗性樣本進行掩護
（2) 在空氣中傳播時不太起作用
改進方法：

攻擊原理：

Given an input audio waveform x（輸入音頻）
a target transcription y （目標轉化結果）
an automatic speech recognition (ASR) system f(·) （語音識別系統）
a small perturbation δ
objective is to construct an imperceptible and targeted adversarial example x0→ x0 = x + δ 通常通過執行梯度下降（ gradient descent）來生成對抗性示例
? Targeted: the classi?er is fooled so that f(x‘) = y and f(x) ！= y.
? Imperceptible: x0 sounds so similar to x that humans cannot differentiate x0 and x when listening to them.
? Robust: x0 is still effective when played by a speaker and recorded by a microphone in an over-the-air attack.

ASR MODEL
最先進的 Lingvo classi?er 。
THREAT MODEL
the white box threat model （白盒攻擊模型）
創新點：不需要知道攻擊目標的準確配置，而是了解其分布，以便對抗樣本對此類分布的攻擊目標都有效。

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的“Imperceptible,Robust,and Targeted Adversaria lExamples for Automatic Speech Recognition”的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。