Détection Intégrée Des deepfakes Et

**Détection intégrée des "deepfakes" et vérification automatique du locuteur**: - Réf **ABG-125493** - Sujet de Thèse- 22/08/2024- Financement public/privé- EURECOM- Lieu de travail- Biot - Provence-Alpes-Côte d'Azur - France- Intitulé du sujet- Détection intégrée des "deepfakes" et vérification automatique du locuteur- Champs scientifiques- Informatique **Description du sujet**: La recherche visant à améliorer la robustesse des systèmes biométriques vocaux face aux attaques par usurpation d'identité est aujourd'hui relativement mûre. Les solutions typiques impliquent l'utilisation d'un classificateur binaire auxiliaire pour détecter et filtrer les échantillons falsifiés ou usurpés. Le rôle du système de vérification du locuteur consiste alors uniquement à déterminer si les énoncés d'inscription et de test correspondent ou non au même locuteur. L'utilisation de sous-systèmes distincts combinés de cette manière pourrait être sous-optimale et limitée par la propagation des erreurs ; les erreurs commises par un système ne peuvent pas être corrigées par l'autre sous-système. Des travaux récents ont montré le potentiel de l'optimisation conjointe par laquelle les deux sous-systèmes sont entraînés ensemble pour résoudre la tâche unique de vérification automatique et fiable du locuteur. Les performances des systèmes optimisés conjointement et des systèmes intégrés uniques sont limitées par l'utilisation de données d'entraînement collectées auprès d'un nombre insuffisant de locuteurs. La base de données ASVspoof 5 [1] contient des données collectées auprès d'un nombre substantiel de locuteurs et permettra non seulement d'explorer plus avant l'optimisation conjointe, mais aussi des systèmes plus étroitement intégrés, en particulier des classificateurs uniques qui effectuent une détection et une reconnaissance simultanées. Cette thèse étudiera de telles solutions intégrées uniques basées soit sur le réglage fin de classificateurs binaires pré-entraînés, soit sur des techniques d'apprentissage multitâches. L'objectif sera d'apprendre les sous-espaces contenant les artefacts liés au locuteur et ceux liés à l'usurpation d'identité, puis d'effectuer une vérification automatique fiable du locuteur à l'aide d'un seul classificateur. Étant donné qu'il existe un risque de dégradation de la généralisation lorsque les rôles traditionnellement remplis par deux sous-classeurs distincts sont assumés par un seul classificateur, nous explorerons l'utilisation de l'augmentation des données afin d'améliorer la robustesse face à des attaques et à des locuteurs inconnus. **Nature du financement**: - Financement public/privé**Précisions sur le financement**: - le Programme et Equipements Prioritaires de Recherche (PEPR) Cybersécurité, financé par France 2030**Présentation établissement et labo d'accueil**: - EURECOMEURECOM est une grande école d’ingénieurs et un centre de recherche en sciences du numérique fondé en 1991 sous la forme d’un GIE, dans la technopole internationale de Sophia Antipolis. L’Institut Mines-Télécom est membre fondateur du GIE. Les activités d'enseignement et de recherche sont organisées autour de 3 thématiques porteuses : sécurité numérique, systèmes de communication et Data Science. L’institution accueille 150 salariés, chercheurs et administratifs et 400 étudiants internationaux dans ses locaux situés sur le Campus Sophia Tech, le plus grand campus en sciences et technologies de l’information des Alpes Maritimes. EURECOM bénéficie d’un environnement géographique privilégié sur la Côte d’Azur, entre mer et montagne, au cœur d’un écosystème dynamique et pluridisciplinaire qui encourage l’innovation scientifique et technologique de haut niveau. **Site web**: **Intitulé du doctorat**: - Doctor of Philosophy**Pays d'obtention du doctorat**: - France**Etablissement délivrant le doctorat**: - Sorbonne Université**Ecole doctorale**: - Informatique, télécommunications et électronique de Paris- Niveau d'études / diplôme : Maîtrise - Domaine / spécialité : Informatique, Intelligence Artificielle, Traitement de la parole, Détection de Deepfake - Technologies / langages / systèmes : apprentissage automatique, apprentissage profond, Python et PyTorch - Autres compétences / spécialités : solides compétences en mathématiques, en analyse, en résolution de problèmes, en communication et en rédaction. - Autres éléments importants : un excellent parcours académique, la maîtrise de l'anglais.