Yazar
Süslü, Çağıl
Basım Tarihi
2021-01-18
Tür
Belge
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Kayıt Numarası
321c64bd-1216-421e-be12-b24c4dfe458a
Lokasyon
Bilgisayar Bilimleri Bölümü
Tarih
2021-01-18
Örnek Metin
Otomatik Konuşmacı Doğrulama (ASV) sistemleri, gerçek konuşmacıları sahtecilik saldırılarından ayırmak için geliştirilmiş olup, çeşitli sektörlerde (örn. Bankacılık ve telefon tabanlı sistemler) güvenlik uygulaması olarak da kullanılmaktadır. Sahtekarlığa karşı önlem sistemleri (SCS), ASV sistemlerinin sahtekarlık saldırılarına karşı kendilerini korumaları açısından önemlidir. Genel olarak SCS'ler, en iyi sınıflandırma puanlarını gerçekleştirmek için çapraz entropi kaybı fonksiyonu ve softmax sınıflandırma katmanı kullanılarak geliştirilir. Softmax fonksiyonu yaygın olarak derin sinir ağı görevleri için bir sınıflandırma katmanı olarak kullanılsa da, tahmine dayalı modellerin olasılık tahminlerini bastırarak tahmin edilen sınıf olasılıklarının belirsizliğini artırır. Bu çalışmanın amacı, Bayes yaklaşımını kullanarak geleneksel çapraz entropi metriklerinin ve softmax fonksiyonu SCS'nin belirsizliğini azaltmaktı. Bunu başarmak için, Otomatik Konuşmacı Doğrulama Sahtekarlığı ve Karşı Tedbirler 2017 Yarışmasının temel sisteminden daha iyi performans gösterecek çok sayıda SCS geliştirildi. Bayes yaklaşımı, geleneksel çapraz entropi ölçümlerinin ve softmax fonksiyonu SCS'nin belirsizliğini azaltmak için en iyi modele (örneğin, en düşük EER skorunu gerçekleştiren model) uygulandı. Her iki sistemin belirsizliği olasılık dağılım fonksiyonu, AUC değeri ve ROC eğrisi ile karşılaştırıldı. ROC eğrisinden de görülebileceği gibi Bayesian ağı, AUC değerini %14 artırarak geleneksel çapraz entropi metriklerinin ve softmax fonksiyonu SCS'nin belirsizliğini azaltmıştır. Ayrıca Bayesian ağı, ASV spoof 2017 mücadelesinin temel sisteminden daha iyi performans göstererek en düşük EER puanını (%16,79) sağladı. Otomatik Konuşmacı Doğrulama (OKD) sistemleri, gerçek katılımları, sahte konuşma macılardan ayırmak için ve aynı zamanda bazı sektörlerde (Örn; Bankacılık, telekominikasyon) güvenlik sistemi oluşturma amacı ile kullanılıyor. Sahte konuşma macı önleme (SKÖ) sistemleri, OKD sitelerinin sunduğu sahte parçalara karşı koruyabilmeleri açısından büyük önem vereceğiz. SKÖ sistemlerinde, en iyi performansı elde etmek için, çapraz entropi kaybı fonksiyonu ve softmax çalıştırma sistemi kullanılarak geliştirilirler. Softmax fonksiyonu derin öğrenme alanında birçok defa kullanılmasına rağmen, SKÖ sis temlerinin elde edilen tahmin olasılık değerlerinde sıkıştırılmaya sebep olarak, olasılık değerlerinin performans ölçümlerinde artışa sebep olabilir. Bu öğrencinin asıl amacı, Bayes teorisini kullanarak geleneksel çapraz entropi kaybı ve softmax fonksiyi SKÖ sistemlerinde softmax'tan kaynaklanan performans değerlerinin düşmesini sağlamaktır. Bunu yapabilmek için, Otomatik Konuşmacı Doğrulama ve Konuşma Macı Önleme (OKDSKÖ 2017) 2017 yarışmasına birden fazla SKÖ geliştirilmiş ve bu sistemlerin arasından en yüksek verimi gösterebilen sistem Bayes laboratuvarına kayıt edilmiştir. Sistemlerdeki ölçümlerini karşılaştırmak amacı ile Olasılık Dağılım Fonksiyonu (ODF), Eğri Altında Kalan Alan (EAKA) ve Alıcı Operasyon Karakteristiği (AOK) eğrisi kullanılmıştır. Araştırma sonucunda, Bayes modeli ile yapılandırılmış sistem, geleneksel çapraz entropi kaybı ve softmax fonksiyonu SKÖ sistemi EAKA değeri %14 yükseltilerek, geleneksel sistem be lirsizlik değeri düşürülerek gözlemlenmiştir. Aynı zamanda Bayes sistemi en başarılı Eşit Hata Oranı (EHO) değerini üreterek (%16,79) OKDSKÖ 2017 yarışmasında kullanılan temel sistemden daha üstün bir başarı elde etti.
