音乐信息检索中的端到端白盒对抗攻击研究
On End-to-End White-Box Adversarial Attacks in Music Information Retrieval
Katharina Prinz, Arthur Flexer, Gerhard Widmer
Transactions of the International Society for Music Information Retrieval · 2021-07-07
开放获取音乐与舞蹈被引 18被引前 25%影响因子 ≈2.2
摘要
输入数据中的微小对抗性扰动便可显著改变机器学习系统的性能，进而对其可靠性构成挑战。本研究针对乐器分类器开展了多种对抗攻击实验，其中在音乐信息检索领域首次实现了直接在波形数据上计算扰动。这类攻击不仅能大幅降低分类器的准确率，还能使扰动几乎难以被察觉。此外，我们通过针对真实音乐推荐系统的攻击来人为提升歌曲播放量，以此证明对抗攻击极有可能成为音乐信息检索领域的安全隐患。
本摘要由 AI（Hy-MT2-Pro）翻译生成，仅供参考，请以原文为准。
AI 综述
基于摘要生成- 主要观点
- 对音频输入数据的微小对抗性扰动会严重改变机器学习系统的性能并挑战其有效性。在音乐信息检索（MIR）领域，直接在波形上计算的对抗攻击能够显著降低乐器分类器的准确率，且扰动几乎不可感知。此外，对抗攻击在MIR中构成潜在的安全威胁，例如可以通过攻击现实世界的音乐推荐系统来人为增加播放量。
- 研究方法
- 研究比较了针对乐器分类器的多种端到端白盒对抗攻击方法。其方法创新在于首次在MIR领域将扰动直接在音频波形上进行计算。同时，研究通过对现实世界中的音乐推荐系统实施攻击来验证对抗性扰动的安全风险。
- 学术贡献
- 首次在音乐信息检索领域实现了直接作用于音频波形的端到端白盒对抗攻击。揭示了在保持扰动几乎不可感知的前提下，对抗攻击能大幅削弱分类器的性能。证明了对抗攻击在MIR系统中的实际安全威胁，如通过操纵推荐系统来虚增播放量。
- 存在局限
- 材料中未明确提及
- 进一步研究方向
- 材料中未明确提及
本综述由 AI（GLM-5-Turbo）基于摘要自动生成，仅供参考，不代表原文作者观点，请以原文为准。
参考文献
相关论文
话题：Adversarial Robustness in Machine Learning