بازگشت به جستجو

ارزیابی عدم قطعیت برای سیستم های تأیید سخنران با استفاده از رویکرد بیزی

عنوان	ارزیابی عدم قطعیت برای سیستم های تأیید سخنران با استفاده از رویکرد بیزی
نویسنده	فانتزی، بی احساس
تاریخ انتشار:	2021-01-18
نوع	سند
زبان	انگلیسی
دیجیتال	بله
نسخه خطی	خیر
کتابخانه:	دانشگاه اوزیغین
شماره ثبت	321c64bd-1216-421e-be12-b24c4dfe458a
محل کتابخانه	گروه علوم کامپیوتر
تاریخ	2021-01-18
متن نمونه	سیستم‌های تأیید خودکار بلندگو (ASV) برای متمایز ساختن بلندگوهای واقعی از حملات جعل ایجاد شده‌اند و همچنین به عنوان یک برنامه امنیتی در صنایع مختلف (مانند سیستم‌های بانکی و تلفنی) استفاده می‌شوند. سیستم‌های مقابله با جعل (SCS) برای سیستم‌های ASV مهم هستند تا از خود در برابر حملات جعل محافظت کنند. به طور کلی، SCS ها با استفاده از تابع از دست دادن آنتروپی متقاطع و لایه طبقه بندی softmax برای انجام بهترین امتیازات طبقه بندی توسعه داده می شوند. حتی اگر تابع softmax به‌عنوان یک لایه طبقه‌بندی برای وظایف شبکه عصبی عمیق استفاده می‌شود، با از بین بردن پیش‌بینی‌های احتمالی مدل‌های پیش‌بینی، عدم قطعیت احتمالات کلاس تخمین زده شده را افزایش می‌دهد. هدف از این کار کاهش عدم قطعیت معیارهای متقاطع آنتروپی متقاطع و تابع softmax SCS با استفاده از رویکرد بیزی بود. برای انجام این کار، چندین SCS توسعه داده شد تا عملکرد بهتری از سیستم پایه چالش تأیید خودکار اسپیکر Spoofing و Countermeasures 2017 داشته باشد. رویکرد بیزی برای بهترین مدل (به عنوان مثال، مدلی که کمترین امتیاز EER را داشت) برای کاهش عدم قطعیت متقابل آنتروپی متقاطع متقابل و تابع softmax SCS اعمال شد. عدم قطعیت هر دو سیستم با تابع توزیع احتمال، مقدار AUC و منحنی ROC مقایسه شد. همانطور که می توان از منحنی ROC مشاهده کرد، شبکه بیزی عدم قطعیت معیارهای متقابل آنتروپی متقاطع و تابع softmax SCS را با افزایش مقدار AUC 14 درصد کاهش داد. همچنین شبکه بیزی با عملکرد بهتر از سیستم پایه چالش ASV spoof 2017، کمترین امتیاز EER (16.79٪) را ارائه کرده است. (Örn؛ Bankacılık, telekominikasyon) güvenlik sistemi oluşturma amacı ile kullanılmaktadır. Sahte konuş macı önleme (SKÖ) sistemleri، OKD sitemlerinin kendilerini sahte konuşmacılara karşı koruyabilmeleri açısından büyük önem taşımaktadır. Genellikle SKÖ sistemleri, en iyi sınıflandırma performansını elde edebilmek için, çapraz entropi kaybı functionu ve softmax sınıflandırma functionu kullanarak geliştirilirler. Softmax sınıflandırma functionu derin öğrenme alanında birçok defa kullanılmasına rağmen, SKÖ sis temlerinin ürettiği tahmini olasılık değerlerinde sıkıştırılmaya sebep olarak, olaslirsılılılık. artışa sebep olabilmektedir. Bu araştırmanın asıl amacı, Bayes teorisini kullanarak geleneksel çapraz entropi kaybı ve softmax fonksiy onu SKÖ sistemlerindeki softmax kaynaklı belirsizlik değerlernin düşmesini sağla maktır. Bunu yapabilmek için, Otomatik Konuşmacı Doğrulama ve Sahte Konuş macı Önleme (OKDSKÖ 2017) 2017 yarışmasına birden fazla SKÖ sistemi geliştir ilmiştir ve bu sistemlerin arasından en yüksılandısırenma Bayes teorisi uygulanmıştır. Sistemlerdeki belirsizlik ölçümlerini karşılaştır mak amacı ile Olasılık Dağılım Fonksiyonu (ODF), Eğri Altında Kalan Alan (EAKA) و Alıcı Operasyon Karakteristiği (AOK) eğrisi kullanılmışt. Araştırma sonucunda, Bayes teorisi ile yapılandırılan سیستم, geleneksel çapraz entropi kaybı ve softmax functionu SKÖ سیستمin EAKA değerini 14% yükselterek, geleneksel سیستم be lirsizlik değerini düşürdüğü gözlemmi. 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 etmiştir.

مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات

دانشگاه اوزیغین

ارزیابی عدم قطعیت برای سیستم های تأیید سخنران با استفاده از رویکرد بیزی

نویسنده فانتزی، بی احساس

تاریخ انتشار 2021-01-18

نوع سند

زبان انگلیسی

دیجیتال بله

نسخه خطی خیر

کتابخانه دانشگاه اوزیغین

شماره ثبت 321c64bd-1216-421e-be12-b24c4dfe458a

محل کتابخانه گروه علوم کامپیوتر

تاریخ 2021-01-18

متن نمونه سیستم‌های تأیید خودکار بلندگو (ASV) برای متمایز ساختن بلندگوهای واقعی از حملات جعل ایجاد شده‌اند و همچنین به عنوان یک برنامه امنیتی در صنایع مختلف (مانند سیستم‌های بانکی و تلفنی) استفاده می‌شوند. سیستم‌های مقابله با جعل (SCS) برای سیستم‌های ASV مهم هستند تا از خود در برابر حملات جعل محافظت کنند. به طور کلی، SCS ها با استفاده از تابع از دست دادن آنتروپی متقاطع و لایه طبقه بندی softmax برای انجام بهترین امتیازات طبقه بندی توسعه داده می شوند. حتی اگر تابع softmax به‌عنوان یک لایه طبقه‌بندی برای وظایف شبکه عصبی عمیق استفاده می‌شود، با از بین بردن پیش‌بینی‌های احتمالی مدل‌های پیش‌بینی، عدم قطعیت احتمالات کلاس تخمین زده شده را افزایش می‌دهد. هدف از این کار کاهش عدم قطعیت معیارهای متقاطع آنتروپی متقاطع و تابع softmax SCS با استفاده از رویکرد بیزی بود. برای انجام این کار، چندین SCS توسعه داده شد تا عملکرد بهتری از سیستم پایه چالش تأیید خودکار اسپیکر Spoofing و Countermeasures 2017 داشته باشد. رویکرد بیزی برای بهترین مدل (به عنوان مثال، مدلی که کمترین امتیاز EER را داشت) برای کاهش عدم قطعیت متقابل آنتروپی متقاطع متقابل و تابع softmax SCS اعمال شد. عدم قطعیت هر دو سیستم با تابع توزیع احتمال، مقدار AUC و منحنی ROC مقایسه شد. همانطور که می توان از منحنی ROC مشاهده کرد، شبکه بیزی عدم قطعیت معیارهای متقابل آنتروپی متقاطع و تابع softmax SCS را با افزایش مقدار AUC 14 درصد کاهش داد. همچنین شبکه بیزی با عملکرد بهتر از سیستم پایه چالش ASV spoof 2017، کمترین امتیاز EER (16.79٪) را ارائه کرده است. (Örn؛ Bankacılık, telekominikasyon) güvenlik sistemi oluşturma amacı ile kullanılmaktadır. Sahte konuş macı önleme (SKÖ) sistemleri، OKD sitemlerinin kendilerini sahte konuşmacılara karşı koruyabilmeleri açısından büyük önem taşımaktadır. Genellikle SKÖ sistemleri, en iyi sınıflandırma performansını elde edebilmek için, çapraz entropi kaybı functionu ve softmax sınıflandırma functionu kullanarak geliştirilirler. Softmax sınıflandırma functionu derin öğrenme alanında birçok defa kullanılmasına rağmen, SKÖ sis temlerinin ürettiği tahmini olasılık değerlerinde sıkıştırılmaya sebep olarak, olaslirsılılılık. artışa sebep olabilmektedir. Bu araştırmanın asıl amacı, Bayes teorisini kullanarak geleneksel çapraz entropi kaybı ve softmax fonksiy onu SKÖ sistemlerindeki softmax kaynaklı belirsizlik değerlernin düşmesini sağla maktır. Bunu yapabilmek için, Otomatik Konuşmacı Doğrulama ve Sahte Konuş macı Önleme (OKDSKÖ 2017) 2017 yarışmasına birden fazla SKÖ sistemi geliştir ilmiştir ve bu sistemlerin arasından en yüksılandısırenma Bayes teorisi uygulanmıştır. Sistemlerdeki belirsizlik ölçümlerini karşılaştır mak amacı ile Olasılık Dağılım Fonksiyonu (ODF), Eğri Altında Kalan Alan (EAKA) و Alıcı Operasyon Karakteristiği (AOK) eğrisi kullanılmışt. Araştırma sonucunda, Bayes teorisi ile yapılandırılan سیستم, geleneksel çapraz entropi kaybı ve softmax functionu SKÖ سیستمin EAKA değerini 14% yükselterek, geleneksel سیستم be lirsizlik değerini düşürdüğü gözlemmi. 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 etmiştir.