LASE：语言对抗性说话人编码，用于印地语系跨文字身份保持
LASE: Language-Adversarial Speaker Encoding for Indic Cross-Script Identity Preservation
Venkata Pushpak Teja Menta
⭐ 1
• 本文提出了一种语言对抗性说话人编码器（LASE），旨在解决跨文字系统语音克隆中说话人身份保持的挑战。
• LASE通过训练生成与语言无关但富含说话人信息的嵌入，有效分离了语言和说话人特征。
• 模型训练采用了对比损失和梯度反转学习机制，以确保编码器能够学习到去除了语言信息的说话人特征。
• 这种方法对于在不同文字系统之间进行语音克隆时，准确保留说话人独特的音色和身份至关重要。
🔗 arXiv · 🤗 HF
#说话人编码 #对抗学习 #语音克隆 #跨语言 #对比学习
LASE: Language-Adversarial Speaker Encoding for Indic Cross-Script Identity Preservation
Venkata Pushpak Teja Menta
⭐ 1
• 本文提出了一种语言对抗性说话人编码器（LASE），旨在解决跨文字系统语音克隆中说话人身份保持的挑战。
• LASE通过训练生成与语言无关但富含说话人信息的嵌入，有效分离了语言和说话人特征。
• 模型训练采用了对比损失和梯度反转学习机制，以确保编码器能够学习到去除了语言信息的说话人特征。
• 这种方法对于在不同文字系统之间进行语音克隆时，准确保留说话人独特的音色和身份至关重要。
🔗 arXiv · 🤗 HF
#说话人编码 #对抗学习 #语音克隆 #跨语言 #对比学习
Stable-GFlowNet：通过对比轨迹平衡实现大模型多样鲁棒红队攻防
Stable-GFlowNet: Toward Diverse and Robust LLM Red-Teaming via Contrastive Trajectory Balance
Minchan Kwon, Sunghyun Baek, Minseo Kim, Jaemyung Yu, Dongyoon Han, 等 (+1)
⭐ 6
• 针对大语言模型（LLM）红队攻防中生成流网络（GFN）存在的训练不稳定和模式崩溃问题，本文提出了Stable-GFlowNet模型。
• 该模型通过消除配分函数，有效解决了GFN训练过程中的不稳定性，提升了学习效率。
• 此外，Stable-GFlowNet引入了鲁棒掩码技术，以缓解模型在生成过程中的模式崩溃现象，增强了样本多样性。
• 整体旨在为LLM红队攻防提供一个更稳定、更具多样性和鲁棒性的攻击样本生成方法。
🔗 arXiv · 🤗 HF
#大语言模型 #红队攻防 #生成流网络 #对比学习 #鲁棒性
Stable-GFlowNet: Toward Diverse and Robust LLM Red-Teaming via Contrastive Trajectory Balance
Minchan Kwon, Sunghyun Baek, Minseo Kim, Jaemyung Yu, Dongyoon Han, 等 (+1)
⭐ 6
• 针对大语言模型（LLM）红队攻防中生成流网络（GFN）存在的训练不稳定和模式崩溃问题，本文提出了Stable-GFlowNet模型。
• 该模型通过消除配分函数，有效解决了GFN训练过程中的不稳定性，提升了学习效率。
• 此外，Stable-GFlowNet引入了鲁棒掩码技术，以缓解模型在生成过程中的模式崩溃现象，增强了样本多样性。
• 整体旨在为LLM红队攻防提供一个更稳定、更具多样性和鲁棒性的攻击样本生成方法。
🔗 arXiv · 🤗 HF
#大语言模型 #红队攻防 #生成流网络 #对比学习 #鲁棒性