[发明专利]一种基于差分隐私的联邦声纹识别方法

权利要求书

1.一种基于差分隐私的联邦声纹识别方法，其特征在于：包括如下步骤：

步骤一：在服务端进行通用背景模型UBM的预训练得到初始通用背景模型UBM，并发送给客户端；

步骤二：客户端接收预训练后的初始通用背景模型UBM，利用本地的私有语音数据进行初始通用背景模型UBM的学习；

步骤三：客户端将步骤二学习得到的统计量进行差分隐私保护，并上传给服务端；

步骤四：服务端聚合多个客户端上传的进行差分隐私保护的统计量，对初始通用背景模型UBM进行更新，得到更新后通用背景模型UBM，并发送给客户端；

步骤五：客户端接收更新后通用背景模型UBM，并借助本地语音数据进行调整得到该客户端用户的高斯混合模型GMM；利用更新后通用背景模型UBM和该用户的高斯混合模型GMM判别待验证语音是否为该客户端用户所产生。

2.根据权利要求1所述的一种基于差分隐私的联邦声纹识别方法，其特征在于：所述步骤一中，初始通用背景模型UBM为能够拟合通用语音特征的通用背景模型UBM，由服务端利用开源的数据集使用EM算法进行预训练得到。

3.根据权利要求1所述的一种基于差分隐私的联邦声纹识别方法，其特征在于：所述步骤二中，初始通用背景模型UBM的学习过程如下：

定义初始通用背景模型UBM表示成λ＝{w_j，μ_j，σ_j}，j＝1，...，M，M为初始通用背景模型UBM中高斯模块的个数，w_j，μ_j和σ_j分别表示第j个高斯模块在UBM中的权重、均值向量以及协方差矩阵；

计算语音特征X＝{x₁,...,x_T}的第t个分量x_t在初始通用背景模型UBM的第c个高斯模块上出现的概率：

利用r_c，t计算统计量r_c和z_c：

其中[1]表示元素都为1的向量，T为语音特征X的总长度。

4.根据权利要求3所述的一种基于差分隐私的联邦声纹识别方法，其特征在于：所述步骤三中，客户端对学习得到的统计量进行差分隐私保护的具体方法为：使用Laplace机制的差分隐私，进行扰动添加，添加扰动Y的方式如下：

r′_c，t＝r_c，t+Y (4)

其中，r_c，t的全局敏感度s(r_c，t)＝1；接着利用r′_c，t分别计算统计量r′_c和z′_c，并上传给服务端。

5.根据权利要求4所述的一种基于差分隐私的联邦声纹识别方法，其特征在于：所述步骤四中，对初始通用背景模型UBM进行更新的方法为：利用客户端上传给服务端的统计量r′_c和z′_c，使用最大后验概率估计MAP对初始通用背景模型UBM进行更新，首先服务端需要将多个客户端上传的统计量r′_c和z′_c进行聚合：

其中，K表示参与对初始通用背景模型UBM进行更新的客户端数量，然后利用和对初始通用背景模型UBM进行更新，得到更新后通用背景模型UBM，初始通用背景模型UBM表示为UBM₀，更新后通用背景模型UBM表示为对第c个高斯模块均值向量的更新过程公式如下：

其中，σ′_UBM表示均值向量的先验。

6.根据权利要求5所述的一种基于差分隐私的联邦声纹识别方法，其特征在于：所述步骤五中，对更新后通用背景模型UBM的均值向量进行调整得到高斯混合模型GMM的公式如下：

其中,σ′_SPK表示用于更新说话人的高斯混合模型GMM均值向量的先验；客户端可以直接使用高斯混合模型GMM计算似然比来判别待验证语音是否为客户端用户所产生。