AASIST : Détection Anti-Fraude Audio à l'Aide de Réseaux d'Attention Intégrés dans des Graphes Spectro-Temporels

Les artefacts qui distinguent les énoncés falsifiés des énoncés authentiques peuvent résider dans les domaines spectraux ou temporels. Leur détection fiable repose généralement sur des systèmes d'ensemble exigeants en termes de calcul, où chaque sous-système est ajusté à certains artefacts spécifiques. Nous visons à développer un système unique et efficace capable de détecter une large gamme d'attaques de falsification sans recourir à des ensembles au niveau des scores. Nous proposons une nouvelle couche d'attention graphique hétérogène empilée (heterogeneous stacking graph attention layer) qui modélise les artefacts s'étendant sur des domaines temporels et spectraux hétérogènes grâce à un mécanisme d'attention hétérogène et à un nœud empilé. Notre approche, nommée AASIST, utilise une nouvelle opération de graphe maximale impliquant un mécanisme compétitif et un schéma de lecture étendu, surpassant ainsi l'état de l'art actuel avec une performance supérieure de 20% relative. Même une variante légère, AASIST-L, dotée de seulement 85K paramètres, surpasse tous les systèmes concurrents.