QBFF: collo di bottiglia quantistico profondo per l’anti-spoofing della verifica automatica del parlante

Abstract degli autori

Un obiettivo centrale dell’apprendimento automatico quantistico è individuare applicazioni in cui piccoli circuiti quantistici possano migliorare le prestazioni di un compito pur restando eseguibili su hardware reale. Esaminiamo il rilevamento del parlato deepfake (sintetico), un’applicazione in gran parte inesplorata in questo ambito, in cui punteggi di confidenza affidabili sono importanti quanto le prestazioni di discriminazione, perché le decisioni di implementazione vengono prese con soglie fisse e gli errori dovuti a un’eccessiva sicurezza possono essere costosi. Presentiamo QBFF, che instrada una rappresentazione compressa del parlato attraverso un piccolo circuito variazionale a 8 qubit (VQC), usato come collo di bottiglia inseribile direttamente, con un collo di bottiglia classico corrispondente come controllo. Nella maggior parte dei confronti appaiati, il circuito quantistico produce una confidenza meglio calibrata, anche nella valutazione fuori distribuzione, sebbene il beneficio sui costi di implementazione a valle dipenda dal modello. Eseguiamo quindi lo stesso circuito su un processore quantistico IBM reale. Per quanto ne sappiamo, questa è la prima pipeline anti-spoofing eseguita su una QPU; l’esecuzione su hardware dimostra la fattibilità, con EER inferiore sul sottoinsieme e $C_{llr}$ più basso, ma actDCF medio più alto, rispetto al riferimento classico corrispondente. Nel complesso, questi risultati mostrano che i colli di bottiglia quantistici eseguibili su hardware possono migliorare l’affidabilità dei punteggi, con vantaggi che variano a seconda del contesto di valutazione.