（录用定稿）网络首发时间：2020-10-22 12:05:00
摘要：对抗样本是一种恶意输入，通过在输入中添加人眼无法察觉的微小扰动来误导深度学习模型产生错误的输出。近年来，随着对抗样本研究的发展，除了大量图像领域的对抗样本工作，在自动语音识别领域也开始有一些新进展。目前，针对自动语音识别系统的最先进的对抗攻击来自Carlini&Wagner，其方法是通过获得使模型被错误分类的最小扰动来生成成功的对抗样本。因为这种方法需要同时优化两个损失函数项，通常需要进行数千次迭代，效率低下，因此提出了A-FTA方法。该方法通过最大化自动语音识别模型关于对抗样本的预测和目标短语之间的相似度来快速生成对抗样本，并且在攻击过程中根据是否攻击成功自适应地调整扰动大小，从而生成较小扰动的对抗样本。实验结果表明，这种方法相比于目前最先进的方法，用更少的迭代次数取得了更好的攻击结果，在高效的同时依然能保证很高的攻击成功率。
基金资助：
- 专辑：
信息科技
- 专题：
计算机软件及计算机应用; 自动化技术
- 分类号：
TP391.41;TP183
中国知网独家网络首发，未经许可，禁止转载、摘编。
引文网络
相关推荐
- 相似文献
- 读者推荐
- 相关基金文献
- 关联作者
- 相关视频
