An Adaptive Sampling Framework for Detecting Localized Concept Drift under Label Scarcity
H. Milton Stewart School of Industrial & Systems Engineering（H. Milton Stewart工业与系统工程学院）；Georgia Institute of Technology（佐治亚理工学院）；EDF Trading（EDF交易）
针对动态工业环境中标签稀缺和局部概念漂移问题，提出结合基于残差的探索与利用及EWMA监控的自适应采样框架，在标注预算约束下高效提升了漂移检测准确性与标签效率。
2025-11-04 cs.LG stat.ML
Enhancing GraphQL Security by Detecting Malicious Queries Using Large Language Models, Sentence Transformers, and Convolutional Neural Networks
Department. of CSE University of Moratuwa Colombo, Sri Lanka（计算机科学与工程系，穆塔瓦拉大学，科伦坡，斯里兰卡）
本文提出一种结合静态分析、LLM、句子转换器和CNN等机器学习技术的AI方法，用于实时检测恶意GraphQL查询，以增强API安全性，实验证明能高准确率识别多种攻击并有效缓解DoS和SSRF。
2025-10-08 cs.AI cs.CR cs.LG
Detecting labeling bias using influence functions
Copenhagen University（哥本哈根大学）；Technical University of Denmark（丹麦技术大学）
本文利用影响函数检测标签偏差，通过分析训练样本对模型预测的影响，识别错误标签样本，验证了影响函数在检测标签偏差中的有效性。
2026-02-22 cs.AI cs.LG
Detecting Compromised IoT Devices Using Autoencoders with Sequential Hypothesis Testing
Florida State University（佛罗里达州立大学）；University of Hawaii（夏威夷大学）
本文提出CUMAD框架，通过集成自编码器异常检测与SPRT序贯假设检验来积累证据，有效降低受损IoT设备检测的误报率并实现快速检测。
2024-04-21 cs.CR cs.LG
Support Vector Machines under Adversarial Label Contamination
Technical University of Munich（慕尼黑工业大学）；University of Cagliari（卡利亚里大学）
机器学习算法越来越多地应用于安全相关的任务，如垃圾邮件和恶意软件检测，尽管其针对蓄意攻击的安全特性尚未得到广泛理解。智能和自适应攻击者确实可能利用机器学习技术暴露的特定漏洞来侵犯系统安全性。因此，对对抗性数据操纵的鲁棒性是机器学习算法在对抗性环境中成功操作的重要附加要求。在这项工作中，我们评估的安全性支持向量机（SVM）精心制作的，对抗标签噪声攻击。特别是，我们考虑的攻击者，其目的是最大限度地提高SVM的分类错误翻转的标签数的训练数据。我们形式化了相应的最优攻击策略，并通过启发式方法求解，以保持计算复杂性的易处理性。我们报告了一个广泛的实验分析的有效性的考虑攻击线性和非线性SVM，无论是在合成和真实世界的数据集。最后，我们认为我们的方法还可以为开发更安全的支持向量机学习算法提供有用的见解，以及许多相关研究领域的新技术，例如半监督学习和主动学习。
2022-06-01 cs.LG
Detecting and Rectifying Noisy Labels: A Similarity-based Approach
本文提出一种基于DNN倒数第二层特征相似性的模型无关事后方法，用于检测并自动纠正数据集中的标签噪声，实验证明其在多种现实噪声场景下检测性能高且能提升数据集质量。
2025-10-27 cs.CL cs.LG
Detecting Security Fixes in Open-Source Repositories using Static Code Analyzers
Tilburg University（蒂尔堡大学）；SAP Security Research（SAP安全研究院）；Eindhoven University of Technology（埃因霍温理工大学）
关于影响开放源码软件（OSS）的脆弱性的可靠的代码级信息的来源很少，这阻碍了广泛采用提供脆弱的OSS依赖性的代码级检测和评估的高级工具。在本文中，我们研究了在何种程度上现成的静态代码分析器的输出可以被用作一个来源的功能，以代表提交机器学习（ML）的应用程序。特别是，我们研究如何使用这些功能来构建嵌入和训练ML模型，以自动识别包含漏洞修复的源代码提交。我们分析了安全相关和非安全相关提交的嵌入，我们表明，尽管孤立地看，它们在统计上没有显著差异，我们还发现，我们的方法与commit2vec的结合代表了对自动化领域现有技术的切实改进。识别修复漏洞提交：我们构建的ML模型和commit2vec是互补的，前者更普遍适用，尽管不那么准确。
2021-05-07 cs.CR cs.LG cs.SE
SemiScope: Disentangling Classifier Tuning and Joint Optimization in Semi-Supervised Security Classification
North Carolina State University（北卡罗来纳州立大学）；ShanghaiTech University（上海科技大学）
针对半监督安全分类中黑盒使用导致性能增益归因不清的问题，提出SemiScope分析工具，通过贝叶斯优化联合调优SSL设置、置信过滤、过采样和分类器，并与仅调优分类器的对照实验对比，发现分类器超参数优化可恢复大部分增益。
2026-07-02 cs.LG
Detecting Cybersecurity Events from Noisy Short Text
STM A.Ş.（STM公司）
分析通过社交网络共享的消息对于网络威胁情报和网络犯罪预防至关重要。在这项研究中，我们提出了一种方法，利用特定领域的词嵌入和特定任务的功能来检测网络安全事件的推文。我们的模型采用卷积神经网络（CNN）和长短期记忆（LSTM）递归神经网络，该网络将单词级元嵌入作为输入，并结合上下文嵌入来分类有噪声的短文本。我们从Twitter收集了一个新的网络安全相关推文数据集，并手动注释了其中的2K子集。我们对这个数据集进行了实验，并得出结论，所提出的模型优于传统和神经基线。结果表明，我们的方法可以很好地从嘈杂的短文本中检测网络安全事件。
2019-06-02 cs.CL cs.CR cs.LG
Detecting Handwritten Mathematical Terms with Sensor Based Data
University of Siegen（锡根大学）
在这项工作中，我们提出了一个解决方案，以UbiComp 2021年的挑战，其中手写的数学术语应该是自动分类的基础上捕获的时间序列传感器数据的DigiPen。输入数据集包含不同写入者的数据，其中标签串由总共15个不同的可能字符构成。标签首先应拆分为单独的字符，以便逐一进行分类。这个问题是通过应用一个依赖于数据和基于规则的信息抽取算法的标记数据来解决。使用所得到的数据，两个分类器构建。第一种是二元分类器，其能够针对未知数据预测样本是否是书写活动的一部分，并且由与随机森林串联的深度神经网络特征提取器组成，所述随机森林被训练为以> 90%的F1分数对提取的特征进行分类。第二个分类器是一个深度神经网络，它将卷积层与递归层相结合，以F1分数> 60%预测15个可能类别中具有单个标签的窗口。挑战评估程序的模拟报告Levensthein距离为8，并表明所选择的方法仍然缺乏整体准确性和实时适用性。
2021-09-12 cs.LG
Detecting Extratropical Cyclones of the Northern Hemisphere with Single Shot Detector
Nanjing University of Information & Science Technology（南京信息工程大学）；University of California San Diego（加州大学圣迭戈分校）
在本文中，我们提出了一个基于深度学习的模型来检测北半球的热带气旋（ETC），同时开发了一种新的处理图像和生成ETC标签的工作流程。我们首先采用Bonfanti等人[1]的方法对气旋中心进行标记，并建立了三个类别的标记ETCs的标准：发展阶段，成熟阶段和衰退阶段。然后，我们提出了一个框架的标签和预处理图像在我们的数据集中。一旦图像和标签准备好作为输入，我们就创建名为Single Shot Detector（SSD）的目标检测模型，以适应数据集的格式。我们在两种设置（二进制和多类分类）上使用标记的数据集训练和评估我们的模型，同时记录结果。最后，我们取得了较高的性能检测成熟阶段的ETCs（平均平均精度为86.64%），和一个可以接受的结果检测所有三个类别的ETCs（平均平均精度为79.34%）。我们的结论是，单次检测器模型可以成功地检测不同阶段的ETC，它在未来的ETC检测在其他相关设置的应用中表现出巨大的潜力。
2021-12-01 cs.CV cs.LG physics.ao-ph
Leveraging Multi-Task Learning for Multi-Label Power System Security Assessment
University of Colorado Boulder（科罗拉多大学博尔德分校）；National Renewable Energy Laboratory（国家可再生能源实验室）
本文提出基于多任务学习的多标签分类框架，通过共享编码器与多个解码器同时评估四类电力系统稳定性，并在IEEE 68节点系统上验证了其优于现有方法的性能。
2025-05-09 cs.LG cs.SY eess.SY
CyberLearning: Effectiveness Analysis of Machine Learning Security Modeling to Detect Cyber-Anomalies and Multi-Attacks
Chittagong University of Engineering & Technology（吉大港工程与技术大学）；Swinburne University of Technology（斯威本科技大学）
检测网络异常和攻击正在成为网络安全领域日益关注的问题。人工智能的知识，特别是机器学习技术可以用来解决这些问题。然而，基于学习的安全模型的有效性可能会因安全功能和数据特征而异。在本文中，我们提出了“CyberLearning”，一个基于机器学习的网络安全建模与相关特征选择，并对各种基于机器学习的安全模型的有效性进行了全面的实证分析。在我们的网络学习建模中，我们考虑了用于检测异常的二进制分类模型，以及用于各种类型网络攻击的多类分类模型。为了建立安全模型，我们首先使用流行的十种机器学习分类技术，例如朴素贝叶斯、逻辑回归、随机梯度下降、K-最近邻、支持向量机、决策树、随机森林、自适应提升、极限梯度提升以及线性判别分析。在此基础上，提出了基于人工神经网络的多隐藏层安全模型.这些基于学习的安全模型的有效性进行了检查，利用两个最流行的安全数据集，UNSW-NB 15和NSL-KDD进行了一系列的实验。总的来说，本文旨在通过我们在网络安全背景下的实验分析和发现，为数据驱动的安全建模提供参考。
2021-03-28 cs.CR cs.LG
Creating awareness about security and safety on highways to mitigate wildlife-vehicle collisions by detecting and recognizing wildlife fences using deep learning and drone technology
Rhodes University（罗德斯大学）；University of Ngaoundéré（恩冈代雷大学）
在南非，人们在长途旅行时将车辆停在路边休息是一种常见的做法。这种做法可能会增加人类与野生动物的接触，威胁到它们的安全。在这里，我们打算建立对野生动物围栏的认识，使用无人机技术和计算机视觉算法来识别和检测野生动物围栏和相关特征。我们在南非东开普省的Amakhala和Lalibela私人禁猎区收集数据。我们使用野生动物电围栏数据包含单，双栅栏的分类任务。此外，我们使用从无人机和静态相机中提取的航拍和静态注释图像进行分割和检测任务。无人机相机的模型训练结果优于静态相机。通常，较差的模型性能归因于（1）图像的过度解压缩以及（2）与仅捕获野生动物围栏的前视图的静止相机相比，无人机相机捕获图像上的更多细节以供机器学习模型学习的能力。我们认为，我们的模型可以部署在客户端边缘设备上，以告知人们野生动物围栏的存在和意义，从而最大限度地减少人类与野生动物的接触，从而减少野生动物与车辆的碰撞。
2022-12-22 cs.CV cs.LG cs.RO
AttackGNN: Red-Teaming GNNs in Hardware Security Using Reinforcement Learning
Texas A&M University（德克萨斯农工大学）；University of Delaware（特拉华大学）
本文提出首个针对硬件安全中GNN技术的红队攻击框架AttackGNN，利用强化学习生成对抗性电路，在IP盗版、硬件木马、逆向工程和硬件混淆四类任务上均实现100%攻击成功率。
2024-02-26 cs.CR cs.LG
The Importance of Socio-Cultural Differences for Annotating and Detecting the Affective States of Students
Intel Labs（英特尔实验室）；Anticipatory Computing Lab（前瞻性计算实验室）；University of Pennsylvania（宾夕法尼亚大学）；Penn Center for Learning Analytics（宾夕法尼亚大学学习分析中心）
实时情感检测模型的开发通常依赖于通过采用人类专家来标记学生数据来获得用于监督学习的注释数据。在为情感检测注释情感数据中的一个开放性问题是标签器（即，人类专家）需要在社会文化上与被贴标签的学生相似，因为这会影响获得标签的成本可行性。在这项研究中，我们调查了以下研究问题：情感状态注释，如何社会文化背景的人类专家标注，相比的主题，影响程度的共识和情感状态的分布？其次，标签背景的差异如何影响使用这些标签训练的情感检测模型的性能？
2019-01-12 cs.HC cs.LG stat.ML
Detecting Label Noise via Leave-One-Out Cross-Validation
University of California, Merced（加州大学默塞德分校）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）
我们提出了一个简单的算法，用于识别和纠正实值噪声标签的混合使用高斯过程回归的干净和损坏的样本点。采用异方差噪声模型，其中具有独立方差的加性高斯噪声项与每个和所有观察到的标签相关联。利用最大似然估计对噪声模型进行优化，在留一交叉验证中，通过后验标准差抑制了GPR模型的预测误差。针对非负约束下的极大似然估计问题，提出了一种乘性更新方案。虽然我们提供了某些特殊情况下的收敛性证明，乘法方案的经验证明单调收敛行为，在几乎所有的数值实验。我们表明，所提出的方法可以精确定位损坏的样本点，并在合成和真实世界的科学数据集上训练时，得到更好的回归模型。
2021-03-28 cs.LG math.OC stat.ML
Detecting Mislabeled and Corrupted Data via Pointwise Mutual Information
Institute of Data Science（数据科学研究所）；The University of Hong Kong（香港大学）
本文提出基于互信息的混合噪声数据选择框架，通过计算样本对整体互信息的逐点贡献来识别误标和损坏数据，在MNIST实验中有效提升分类准确率并保持对良性输入修改的鲁棒性。
2025-08-11 cs.LG stat.ML
SLADE: Detecting Dynamic Anomalies in Edge Streams without Labels via Self-Supervised Learning
KAIST（韩国科学技术院）
提出自监督框架SLADE，通过训练神经网络最小化节点表示漂移并从短期模式生成长期模式，在无标签边流中实现常数时间的动态异常检测，性能优于多种有监督方法。
2024-07-25 cs.LG cs.SI
Detecting and Correcting for Label Shift with Black Box Predictors
Carnegie Mellon University（卡内基梅隆大学）；Amazon AI（亚马逊人工智能）；UC Santa Barbara（加州大学圣巴巴拉分校）
面对训练集和测试集之间的分布偏移，我们希望检测和量化这种偏移，并在没有测试集标签的情况下校正我们的分类器。出于医学诊断的动机，疾病（目标）引起症状（观察），我们专注于标签偏移，其中标签边缘$p(y)$发生变化，但条件性$p(x| y)$不变。我们提出了黑箱偏移估计（BBSE）来估计测试分布$p(y)$。BBSE利用任意黑盒预测器在移位校正之前降低维度。虽然更好的预测器给出更严格的估计，但BBSE即使在预测器有偏差，不准确或未校准时也有效，只要它们的混淆矩阵是可逆的。我们证明了BBSE的一致性，限制其错误，并介绍了一个统计测试，使用BBSE检测移位。我们还利用BBSE来纠正分类器。实验证明，即使在自然图像的高维数据集上，也能进行准确的估计和改进的预测。
2018-07-26 cs.AI cs.LG cs.NE
On the Role of Similarity in Detecting Masquerading Files
VMware（威睿公司）；University of Queensland（昆士兰大学）
研究伪装样本对机器学习安全方案的规避威胁，提出伪装文件分类法，并利用相似性与聚类结合的方法检测伪装文件，以改进现有安全解决方案。
2024-02-17 cs.CR cs.LG
eXpose: A Character-Level Convolutional Neural Network with Embeddings For Detecting Malicious URLs, File Paths and Registry Keys
Invincea Inc.（Invincea公司）
多年来，安全机器学习研究已经承诺通过自动学习来检测攻击指标，从而满足基于签名的检测的需求。不幸的是，这一愿景尚未实现：事实上，开发和维护当今的安全机器学习系统可能需要与基于签名的检测系统相当的工程资源，部分原因是随着攻击的发展，需要开发和不断调整这些机器学习系统的“功能”。深度学习是机器学习的一个子领域，它有望通过对原始输入信号进行操作并自动化特征设计和提取过程来改变这一点。在本文中，我们提出了eXpose神经网络，它使用我们开发的深度学习方法，将通用的原始短字符串作为输入（安全输入的常见情况，包括潜在恶意URL，文件路径，命名管道，命名互斥体和注册表项等工件），并学习同时提取特征并使用字符级嵌入和卷积神经网络进行分类。除了完全自动化特征设计和提取过程之外，eXpose在我们测试的所有入侵检测问题上都优于基于手动特征提取的基线，与这些基线相比，在0.1%的误报率下，检测率提高了5%-10%。
2017-02-27 cs.CR cs.LG
Prediction-Powered Risk Monitoring of Deployed Models for Detecting Harmful Distribution Shifts
University of California, Berkeley（加州大学伯克利分校）
提出预测驱动风险监控（PPRM），一种基于预测驱动推断的半监督方法，通过结合合成标签与少量真实标签构建运行风险的随时有效下界，实现对有害漂移的检测，并在图像分类、大语言模型和电信监控任务中验证有效性。
2026-06-11 cs.LG eess.SP
Machine Learning in Cyber-Security - Problems, Challenges and Data Sets
Palo Alto Networks（帕洛阿尔托网络公司）；Shodan
我们提出了高度重要的网络安全问题。我们表明，为了解决这些网络安全问题，必须应对某些机器学习挑战。我们提供了代表这些问题的新数据集，以便学术界能够调查这些问题，并提出应对挑战的方法。我们还提出了一种方法来生成标签，通过旋转，提供了一个解决方案，在网络安全中缺乏标签的常见问题。
2019-04-22 cs.CR cs.LG stat.ML
DUPLE: An Intelligent Cross-Deployment Recognition Framework for Fiber-Optic Perimeter Security under Scarce Target Labels
College of Smart Materials（智能材料学院）；Future Energy, Fiber-Optic Research Center, Fudan University, Shanghai 200433, China（未来能源、光纤研究中心、复旦大学、上海200433, 中国）；School of Software, Northwestern Polytechnical University, Xi'an 710129, China（软件学院、西北工业大学、西安710129, 中国）；Sichuan Fujinan Technology Co., Ltd., Chengdu 611400, China（四川傅南科技有限公司、成都611400, 中国）；School of Computer Science, Northwestern Polytechnical University, Xi'an 710129, China（计算机学院、西北工业大学、西安710129, 中国）
本文提出DUPLE框架，通过联合利用时频域特征和样本统计信息，提升分布式光纤传感跨部署识别的准确性和稳定性。
2026-06-23 cs.AI cs.LG stat.ML
ContamiNet: Detecting Contamination in Municipal Solid Waste
Cruise Automation（克鲁斯自动化公司）；First Republic Bank（第一共和银行）；Recology（Recology公司）；University of San Francisco（旧金山大学）
利用Recology收集的30，000多张图像，每张图像多达89个标签-一家综合资源回收公司，提供住宅和商业垃圾，回收和堆肥服务-作者开发了ContamiNet，一种卷积神经网络，用于识别住宅回收和堆肥箱中的污染材料。当在满足最小频率阈值的标签子集上训练模型时，ContamiNet在检测污染方面几乎与人类专家一样出色（0.86与0.88 AUC）。Recology正在其日常城市固体废物（MSW）收集中积极试用ContamiNet，以识别回收和堆肥箱中的污染物，随后告知和教育客户最佳分类实践。
2019-11-11 cs.CV cs.LG
Detecting Learning vs Memorization in Deep Neural Networks using Shared Structure Validation Sets
Sage Bionetworks（Sage生物网络公司）
学习和记忆所扮演的角色是深度学习研究中的一个重要课题。最近关于这个主题的研究表明，在混洗标签上训练的DNN的优化行为与用真实标签训练的DNN有质的不同。在这里，我们提出了一种新的排列方法，可以区分记忆和学习，在深度神经网络（DNN）中像往常一样训练（即，使用真实的标签来指导学习，而不是混洗的标签）。对DNN是否已经学习和/或记忆的评估发生在一个单独的步骤中，在该步骤中，我们将使用DNN学习的特征训练的浅层分类器的预测性能与相同分类器的多个实例进行比较，这些分类器在相同输入上训练，但使用混洗标签作为输出。通过在与训练集共享结构的验证集中评估这些浅层分类器，我们能够区分学习和记忆。将我们的置换方法应用于在图像数据上训练的多层感知器和卷积神经网络，证实了其他小组的许多发现。最重要的是，我们的插图还揭示了关于DNN如何在越来越多的训练时期中记忆的有趣动态模式，并支持了令人惊讶的结果，即DNN在使用纯高斯噪声作为输入进行训练时仍然能够学习，而不仅仅是记忆。
2018-02-21 cs.LG stat.ML
Detecting Backdoor Poisoning Attacks on Deep Neural Networks by Heatmap Clustering
University of Konstanz（康斯坦茨大学）
神经网络做出的预测可以被所谓的中毒攻击欺骗性地改变。一个特殊的情况是后门中毒攻击。我们研究了合适的检测方法，并介绍了一种新的方法，称为热图聚类。在那里，我们将$k$均值聚类算法应用于由最先进的可解释AI方法分层相关传播产生的热图。目标是将数据集中的中毒数据与未中毒数据分开。我们比较这种方法与类似的方法，称为激活聚类，它也使用$k$均值聚类，但适用于激活的某些隐藏层的神经网络作为输入。我们测试了这两种方法的性能标准后门中毒攻击，标签一致的中毒攻击和标签一致的中毒攻击，减少幅度贴纸。我们表明，热图聚类始终优于激活聚类。然而，当考虑标签一致的中毒攻击，后者的方法也产生良好的检测性能。
2022-04-27 cs.CR cs.LG
Detecting Multivariate Time Series Anomalies with Zero Known Label
Zhejiang University（浙江大学）；NetEase Fuxi AI Lab（网易伏羲人工智能实验室）
提出MTGFlow，一种无监督多变量时间序列异常检测方法，通过动态图学习和实体感知归一化流进行密度估计，在五个数据集上优于现有方法，AUROC最高提升5.0%。
2023-06-17 cs.AI cs.LG
Detecting Concept Drift With Neural Network Model Uncertainty
IBM（国际商业机器公司）；KIT（卡尔斯鲁厄理工学院）
部署的机器学习模型面临着随着时间的推移而改变数据的问题，这种现象也称为概念漂移。虽然现有的概念漂移检测方法已经显示出令人信服的结果，但它们需要真实的标签作为成功漂移检测的先决条件。特别是在许多实际的应用程序中，就像本文所涉及的那样，真正的标签很少，而且获取它们的成本很高。因此，我们引入了一种新的漂移检测算法，不确定性漂移检测（UDD），它能够在不访问真实标签的情况下检测漂移。我们的方法是基于深度神经网络结合蒙特卡洛丢弃提供的不确定性估计。通过对不确定性估计应用ADWIN技术来检测随时间的结构变化，并且检测到的漂移触发预测模型的再训练。与基于输入数据的漂移检测相比，我们的方法考虑了当前输入数据对预测模型属性的影响，而不是仅检测输入数据的变化（这可能导致不必要的重新训练）。我们表明，UDD优于其他国家的最先进的战略，两个合成以及10个现实世界的数据集的回归和分类任务。
2022-09-23 cs.AI cs.LG
HumVI: A Multilingual Dataset for Detecting Violent Incidents Impacting Humanitarian Aid
Dataminr, Inc.（达塔明尔公司）；Northwestern University（西北大学）；Insecurity Insight（不安全洞察机构）
本文提出多语言数据集HumVI，用于检测影响人道主义援助的暴力事件，并提供基于深度学习的基准测试以解决领域扩展等任务挑战。
2024-10-15 cs.AI cs.CL cs.LG
ATLAS: Automatically Detecting Discrepancies Between Privacy Policies and Privacy Labels
Carnegie Mellon University（卡内基梅隆大学）；Universidad Politécnica de Madrid（马德里理工大学）
本研究提出ATLAS系统，通过NLP集成分类器等组件自动检测iOS应用隐私政策与隐私标签的差异，对35万余款应用分析发现多数存在潜在合规问题，可助力多方开展隐私合规审查。
2023-05-24 cs.AI cs.CR cs.LG
Noise Contrastive Estimation-based Matching Framework for Low-Resource Security Attack Pattern Recognition
Huawei R&D Munich（华为慕尼黑研发）
针对低资源场景下TTP映射的挑战，提出带采样学习比较机制及两个互补采样目标的神经匹配架构，降低标签空间竞争复杂度，提升模型学习能力。
2026-08-27 cs.AI cs.CL cs.CR
Detecting Replay Attacks Using Multi-Channel Audio: A Neural Network-Based Method
University of Notre Dame（圣母大学）
随着使用语音作为主要输入的安全敏感系统的数量迅速增长，解决这些系统对重放攻击的潜在脆弱性变得越来越重要。以前解决这一问题的努力主要集中在单声道音频上。在本文中，我们介绍了一种新的神经网络为基础的重放攻击检测模型，进一步利用多声道音频的空间信息，并能够显着提高重放攻击检测性能。
2020-07-03 cs.CR cs.LG cs.SD
