通过非对称负对比和反向注意力实现鲁棒表征学习
原文中文,约500字,阅读约需2分钟。发表于: 。深度神经网络容易受到对抗性噪声的攻击。为了解决这个问题,我们提出了一种通用的对抗训练框架来获得稳健的特征表达,通过非对称负对比度和反向注意力来推动不同类别的特征在特征空间中远离,并通过线性分类器参数对特征进行加权以获得类别感知的特征并将相同类别的特征相互靠近。经过在三个基准数据集上的实证评估,我们的方法大大提高了对抗训练的鲁棒性并实现了最先进的性能。
本文提出了一种基于U-Net的注意力模型,用于增强深度神经网络语音识别系统中的对抗性信号,并通过可解释的语音识别度量评估模型性能。实验结果表明,该模型可以提高语音质量感知评估、语音传输指数和短期客观清晰度等指标,并可以增强DNN基于ASR模型的鲁棒性和泛化能力,从而确保弹性ASR系统的安全性。