.png){kind=icon}
返回
Securing Voice Authentication Applications Against Targeted Data Poisoning
.png){kind=icon}
OA
AI
DOI：10.1109/MIC.2025.3588068.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于深度神经网络的语音认证系统具有前景，但仍易受定向数据投毒攻击，攻击者通过替换合法用户的语音内容以获取未授权访问。为解决此问题，我们提出了一种新型防御框架，该框架整合了正则化卷积神经网络与K近邻分类器，并通过分层交叉验证和类别加权增强来对抗此类攻击中固有的数据不平衡问题。在真实数据集和现实攻击场景下的评估表明，该框架展现出显著的鲁棒性。即使仅有5%的训练数据被污染，仍能实现准确认证，其性能优于当前现有最优方法。
Keyword:
Authentication
Internet
Security
Convolutional neural networks
Training data
Robustness
Data models
Australia
Artificial neural networks
Speech recognition
Data integrity
期刊
IF:
4.4
论文数:
2.0K
被引数:
2.0K
机构
引用论文
Strong Data Augmentation Sanitizes Poisoning and Backdoor Attacks Without an Accuracy Tradeoff.png)
ICASSP 2021 - 2021 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
OAAI
ICASSP 2021 - 2021 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
OAAI分享收藏Wireless Universal Adversarial Attack and Defense for Deep Learning-Based Modulation Classification
PREAI
分享收藏Study on the Improvement about User Authentication of Android Third Party Application Through the Vulnerability in Google Voice通过Google Voice漏洞对Android第三方应用程序用户认证改进的研究
PREAI
分享收藏 没有更多内容
没有更多内容