Презентация

1.

Выбор оптимальной структуры слоев
графого внимания для решения задачи
выявления голосовых спуфинг-атак
Выполнил студент 4 курса 507 группы Голов Александр Дмитриевич
Научный руководитель, к.ф.-м.н., доцент
Лепендин Андрей Александрович

2.

Цели и задачи
Цель работы заключается разработке нового метода детектирования голосовых
логических атак на биометрическое предъявление, основанного на глубокой нейронной
сети со слоем графого внимания.
Для достижения поставленной цели были сформулированы следующие задачи:
1. Сделать обзор на существующие подходы в детектировании логических спуфинг-атак, их
алгоритмы и особенности.
2. Рассмотреть используемую в работе глубокую нейросетевую модель для детектирования
логических атак с использованием графого слоя самовнимания.
3. Провести серию экспериментов с использованием различных параметров графого слоя и
разного числа мультиголов, и получить наилучший результат детектирования логических
спуфинг-атак.

3.

Схема используемой модели

4.

Графовый слой

5.

Используемые структуры слоев графого
внимания.
Усреднение
Конкетанация по 1-ой
размерности
Конкетанация по 2-ой
размерности

6.

Набор данных
Все эксперименты проводились с набором данных логического достпа (LA)
ASVspoof 2019.
Набор состоит из трех подможеств: обучение, разработка и оценка.
Обучение: основан на 6 алгоритмах спуфинг атак. 2580 подлинных, 22800
поддельных высказваний.
Разработка: основан на 6 алгоритмах спуфинг атак 1484 подлинных, 22296
поддельных
Оценка: основан на 13 алгоритмах, 5370 подлинных целевых , 1985
подлинных нецелевых, 63882 поддельных.

7.

Использумые метрики.
• В качестве метрик используются:
• 1. EER
• 2. t-DCF

8.

Полученные результаты

9.

Заключение
В ходе данной работы была достигнута цель – разработка нового метода детектирования голосовых
логических атак на биометрическое предъявление, основанного на глубокой нейронной сети со слоем графого
внимания, а так же решены задачи:
1. Были рассмотрены существующие подходы в детектировании логических спуфинг-атак, их алгоритмы и
особеености. Все описанные в обзоре модели используют в своих подходах различные архитектуры и способы
предварительной обраотки сигнала, начиная от MFCC и заканчивая обработкой сырого сигнала.
2. Была рассмотрена используемая в работе глубокая нейросетевая модель для детектирования логических
атак с использованием графого слоя самовнимания. Для каждого слоя использумой модели было приведено
описание и механизм его работы. Результатом
3. Была проведена серия экспериментов с использованием различных параметров графого слоя и разного
числа мультиголов, и получен наилучший результат детектирования логических спуфинг-атак. Для описания
полученния лучшего результата, были изложенны подробности конфигурации, на которой происходило обучение,
используемого набора данных, испольуемых метрик, а так же функции потерь. Таким бразом, лучшим
результатом является усреднение с числом мультиголов = 2, с отсутствием BN с полученным значением EER =
3.62% и t-dcf = 0.121.

10.

Спасибо за внимание!