提出一种无需机器学习的简单反推攻击，可更有效破解语音匿名化。

Inference Attacks for X-Vector Speaker Anonymization

• 设计一种不依赖机器学习的推理攻击方法，直接逆向推断说话人身份。
• 实验表明该攻击在去匿名化任务上优于现有复杂模型攻击方式。
• 适合关注语音隐私安全的研究者与系统设计者参考。

我们重新审视了 x-vector 说话人匿名化的隐私-效用权衡问题。现有方法通过训练复杂的说话人验证或识别模型来量化隐私风险，这些模型随后被用作攻击手段。本文提出一种新颖的推理攻击以实现去匿名化。该攻击方法简单且无需机器学习，但实验结果表明其性能优于现有方法。

原文摘要 · Abstract (English)

We revisit the privacy-utility tradeoff of x-vector speaker anonymization. Existing approaches quantify privacy through training complex speaker verification or identification models that are later used as attacks. Instead, we propose a novel inference attack for de-anonymization. Our attack is simple and ML-free yet we show experimentally that it outperforms existing approaches.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。