Les auteurs proposent un cadre de détection de spoofing invariant au langage qui traite la mauvaise généralisation dans les paramètres hors domaine causée par la dépendance aux indices linguistiques. La méthode utilise une approche d'apprentissage adversarial enseignant-étudiant où un enseignant sensible au langage guide le détecteur étudiant via l'inversion de gradient pour minimiser l'information linguistique.
- Un goulot d'étranglement informationnel variationnel est intégré pour empêcher la suppression involontaire des indices non linguistiques tout en supprimant les principaux indices linguistiques.
- Le cadre a été évalué sur neuf ensembles de données DF Arena.
- La méthode atteint jusqu'à une réduction relative de 36,2 % du taux d'erreur égal (EER) par rapport à la ligne de base.
Cette approche améliore la robustesse aux scénarios inter-données en découplant la détection de spoofing du contenu linguistique spécifique.