Privacy-Preserving Machine Learning for Speech Processing

این پایان نامه در مورد مسائل حریم خصوصی در برنامه های کاربردی مبتنی بر گفتار مانند احراز هویت بیومتریک، نظارت و خدمات پردازش گفتار خارجی بحث می کند. نویسنده Manas A. Pathak راه حل هایی را برای برنامه های پردازش گفتار حفظ حریم خصوصی مانند تأیید گوینده، شناسایی گوینده و تشخیص گفتار ارائه می دهد. نویسنده همچنین برخی از ابزارهای رمزنگاری و یادگیری ماشین و تکنیک های فعلی را برای بهبود کارایی و مقیاس پذیری راه حل های ارائه شده معرفی می کند. آزمایش‌هایی با اجرای نمونه اولیه راه‌حل‌ها برای زمان اجرا و دقت در مجموعه داده‌های گفتاری استاندارد نیز در متن گنجانده شده است. استفاده از چارچوب پیشنهادی ممکن است اکنون این امکان را برای یک سازمان جاسوسی فراهم کند که به یک تروریست شناخته شده گوش دهد بدون اینکه قادر به شنیدن مکالمه غیرنظامیان بی گناه و غیر هدفمند باشد.

This thesis discusses the privacy issues in speech-based applications such as biometric authentication, surveillance, and external speech processing services. Author Manas A. Pathak presents solutions for privacy-preserving speech processing applications such as speaker verification, speaker identification and speech recognition. The author also introduces some of the tools from cryptography and machine learning and current techniques for improving the efficiency and scalability of the presented solutions. Experiments with prototype implementations of the solutions for execution time and accuracy on standardized speech datasets are also included in the text. Using the framework proposed may now make it possible for a surveillance agency to listen for a known terrorist without being able to hear conversation from non-targeted, innocent civilians.