Low-ASR Backdoors: Exploiting Attack Success Rate Reduction and Attacker-Defender Asymmetry
该论文研究深度学习中后门攻击与防御的一个根本性假设缺陷。传统上，攻击者和防御者都默认成功的后门必须具有高攻击成功率（ASR），现有防御机制也大多基于这一前提进行设计和评估。作者指出，ASR并非后门的内在属性，而是可由攻击者人为控制的变量——
#ASR
共收录 7 条相关情报。
← 返回所有主题Inaudible Adversarial Perturbation: Manipulating the Recognition of User Speech in Real Time.
自动语音识别（ASR）系统已广泛应用于智能助手、语音控制、电话客服、会议转写等场景，其安全性直接关系到用户隐私和设备控制权。已有研究表明，ASR系统容易受到对抗样本（Adversarial Examples, AEs）的攻击，通过引入精心设
Generative Testing of Automated Speech Recognition Systems
该论文提出了一种名为GATAS的自动语音识别（ASR）系统黑盒测试方法。研究背景是，尽管基于transformer的ASR模型在关键应用中取得了高准确率，但仍容易受到对抗性攻击，尤其是在黑盒场景下，攻击需要保持感知自然性。现有方法通常直接扰
How Reliable Is Your Jailbreak Judge? Calibration and Adversarial Robustness of Automated ASR Scoring
该论文系统性地评估了用于衡量大语言模型（LLM）越狱攻击成功率的自动化裁判（ASR评分器）的可靠性。研究背景是：几乎所有关于LLM越狱和提示注入的论文都报告攻击成功率（ASR），但这些ASR通常由自动化裁判（专用安全分类器或通用聊天模型）打
ALIF: Low-Cost Adversarial Audio Attacks on Black-Box Speech Platforms using Linguistic Features.
该论文聚焦于语音可控智能设备面临的对抗样本（AE）威胁。已有黑盒对抗攻击仅需目标ASR系统最终转录结果，但通常需要大量查询，成本高昂，且对抗样本易受ASR模型更新影响。作者指出根本原因在于无法直接在深度学习模型决策边界附近构造对抗样本。基于
Hearing the Unspoken: Language Model Priors for Acoustic Adversarial Attacks
该论文研究针对实时自动语音识别（ASR）系统的对抗性攻击。实时ASR系统必须在严格的时间约束下处理声学输入，转录决策基于不完整信息，这种因果约束成为攻击者的信息瓶颈，显著限制了攻击性能。作者提出一种名为“Semantic Gambit”的新
Beyond Waveform Robustness: Robust Feature-Vocoder Adversarial Attacks on Automatic Speech Recognition
本文针对自动语音识别（ASR）系统的对抗鲁棒性展开研究。现有对抗攻击直接在波形域添加噪声，存在两个主要局限：一是对黑盒ASR系统的迁移性差，二是易被专门防御波形扰动的机制缓解。为此，作者提出了一种基于代理模型的Clean-Reference