本研究解决了在现实应用中,自动语音识别(asr)模型对输入扰动的鲁棒性不足的问题。我们提出了一种创新的方法,通过时间域的可转移攻击和语音感知梯度优化(sago),有效地增强了黑箱 asr 模型的抗攻击能力。实验结果表明,在两个数据库的五个模型上,我们的方法显著优于基线方法。
本研究提出了一种新方法,通过时间域可转移攻击和语音感知梯度优化,显著增强了自动语音识别模型的抗攻击能力,实验结果优于基线方法。
本研究解决了在现实应用中,自动语音识别(asr)模型对输入扰动的鲁棒性不足的问题。我们提出了一种创新的方法,通过时间域的可转移攻击和语音感知梯度优化(sago),有效地增强了黑箱 asr 模型的抗攻击能力。实验结果表明,在两个数据库的五个模型上,我们的方法显著优于基线方法。
本研究提出了一种新方法,通过时间域可转移攻击和语音感知梯度优化,显著增强了自动语音识别模型的抗攻击能力,实验结果优于基线方法。