PLC-CA：基于音素级别的卷积对抗攻击方法，具有高度的可迁移性

《Artificial Life》：PLC-CA: Phoneme-Level Component Convolutional Adversarial Attack with High Transferability

　　

摘要：

传统的加性失真容易引入人类可感知的听觉失真，而简单的卷积对抗方法在不同模型架构之间的迁移能力有限。本文提出了一种通用且具有高度迁移能力的对抗攻击方法——音素级分量卷积对抗攻击（Phoneme Level Component Convolutional Adversarial Attack，简称PLC-CA），旨在最大化音频信号的时间-频率分布偏差，以提高迁移能力并保持听觉自然性。具体来说，PLC-CA通过蒙特利尔强制对齐器（Montreal Forced Aligner，简称MFA）解耦音素级时间边界，并使用变分模态分解（Variational Mode Decomposition，简称VMD）提取音素级分量。随后，通过两个关键操作实现语音特征的深度偏差：（1）音素级分量滤波：我们选择性地过滤掉能量极低的音素分量，以保留主要频率分量，避免听觉感知的显著下降。（2）音素级分量卷积扰动：我们应用类似于回声的卷积噪声，这种噪声根据音素的频带特性进行定制，从而精细调节时间-频率分布。在关键词识别（KWS）、说话人验证（ASV）和自动语音识别（ASR）任务上的实验结果表明，PLC-CA通过以下两个关键方面提升了性能：1）高迁移能力：与现有的基线方法相比，PLC-CA的迁移能力指标提高了32%～76%（KWS），19%～146%（ASR），以及24%～400%（ASV）。2）感知不可见性：在信噪比较相似的情况下，其平均MOS评分明显优于现有的加性对抗方法。