Efficient and Privacy-Preserving Speaker Recognition for Cybertwin-Driven 6G
Notice bibliographique
Résumé
With the introduction of cybertwin, a new approach to represent human or things in the cyberspace, it is foreseeable that vehicles will be able to offer more and more services in the future. Naturally, considering the safety of drivers, speaker recognition will be widely used in vehicle scenarios. Speaker recognition technologies are experiencing increasing popularity due to the unique and indissoluble link between individuals and their voices. However, the coming cybertwin-driven 6G brings speaker recognition technologies unprecedented challenges, especially in preventing the disclosure of voiceprint. To address these challenges, an efficient and privacy-preserving speaker recognition scheme for cybertwin-driven 6G, referred to as NEATEN, is proposed in this article. With NEATEN, the speaker identity can be recognized at multiple security levels without leaking the voiceprint data. More concretely, based on the random projection data perturbation, voiceprint perturbation algorithms in two phases and the corresponding ciphertext-based similarity computation algorithm are proposed. By using these algorithms, our efficient and accurate speaker recognition scheme can be achieved. Orthogonal to the previous works of biometric identification based on the Euclidean distance, NEATEN makes progress on the non-Euclidean distance, such as cosine distance and complicated distance. Detailed analysis shows that NEATEN can resist various known security threats. Experiments conducted on TIMIT and Voxceleb data sets have demonstrated that NEATEN is highly accurate and efficient, and can be flexibly deployed in a real cybertwin-driven 6G vehicle environment.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».