本研究提出了一种自监督的领域不变预训练前端（DIP），旨在解决语音分离模型在真实环境中因缺乏目标参考数据而导致的领域差距，从而显著提升模型在真实数据上的表现。

本研究提出了一个高度转移的攻击框架，实现领域不变的扰动。该方法在白盒和黑盒情况下创新了欺骗率的最佳性能，优于传统的实例特定攻击方法。

该研究提出了一个高度转移的对抗性攻击框架，核心是一个可生成网络，能够实现领域不变的扰动。该方法在白盒和黑盒情况下均创新了欺骗率的最佳性能，并且优于传统的实例特定攻击方法。