基于对抗攻击的语音关键词识别系统鲁棒性语言学分析 .docxVIP

PAGE2

基于对抗攻击的语音关键词识别系统鲁棒性语言学分析

摘要

语音关键词识别系统在智能家居、车载交互与移动助手中被广泛部署，但其在噪声和多说话人环境下的鲁棒性缺陷日益凸显。现有研究多从声学模型结构或信号处理角度寻求强化，忽视了对抗攻击所揭示的语言学层面的脆弱性。本文从音系学特征出发，提出一种基于最小对立体对抗样本的鲁棒性分析框架，以探测并加固声学模型中隐藏的语言学弱点。

论文首先梳理语音对抗攻击与鲁棒性研究的现状，指出现有工作在音系学维度上的缺失。随后，界定对抗攻击、最小对立体、鲁棒性等核心概念，并整合音系学理论、声学模型表征理论与对抗性学习理论，构建“语言学脆弱性—对抗扰动—识别失效”的分析框架。在此基础上，第四章深入剖析对抗攻击下关键词识别系统的结构性弱点，揭示其本质在于声学模型未能有效习得音系范畴的边界稳定性。第五章阐释最小对立体对抗样本的作用机制，论证音系特征在扰动生成与鲁棒性加固中的双重功能。第六章完成理论建构，提出“音系感知鲁棒性”这一核心命题，并建立基于音系特征对比度的对抗防御框架，论证其解释力与优越性。

研究结论表明，将音系学知识融入对抗训练，能够显著提升模型对语音细节的感知边界，从而在噪声和多说话人条件下保持稳定的关键词识别能力。本文为计算语言学与人工智能的交叉研究提供了新的理论视角，亦为实际系统的鲁棒性设计提供语言学依据。

关键词：对抗攻击；语音关键