Quantum Kernels for Audio Deepfake Detection Using Spectrogram Patch Features

Resumen Técnico: Núcleos Cuánticos para la Detección de Deepfakes de Audio Mediante Características de Parches de Espectrograma

Enunciado del Problema
La proliferación de tecnologías de generación de voz, como la Conversión de Texto a Voz (TTS) y la Conversión de Voz (VC), ha creado riesgos significativos de seguridad relacionados con la suplantación de identidad y el fraude en audio. Aunque los detectores basados en aprendizaje profundo han avanzado, a menudo luchan por lograr robustez frente a ataques no vistos, distorsiones del mundo real (por ejemplo, efectos de canal, ruido) y cambios en la distribución. Además, muchos enfoques existentes tratan los espectrogramas de audio como imágenes genéricas, sin explotar explícitamente la estructura tiempo-frecuencia inherente del habla. Asimismo, existe una falta de investigación sobre la aplicación del aprendizaje automático cuántico (QML) a la detección de suplantación de audio, particularmente utilizando representaciones adaptadas a la geometría del espectrograma en entornos con recursos limitados.

Metodología: El Marco Q-Patch
Los autores proponen Q-Patch, un marco de mapeo de características cuánticas diseñado para codificar parches locales de tiempo-frecuencia de espectrogramas mel en circuitos cuánticos superficiales. La metodología procede a través de tres etapas principales:

1. Procesamiento Frontal y Partición de Parches:

   • Las formas de onda de audio se remuestrean a 16 kHz y se convierten en espectrogramas log-mel (64 bins mel).
   • El espectrograma se estandariza por enunciado y se divide en parches de tiempo-frecuencia de $4 \times 4$ no superpuestos.
   • Cada parche se resume en un vector compacto de cuatro dimensiones ($s \in \mathbb{R}^4$) que contiene descriptores acústicos interpretables:
     • Activación Media del Parche (intensidad).
     • Centróide Espectral.
     • Ancho de Banda Espectral.
     • Coherencia Inter-frame (consistencia temporal).
   • Para gestionar los recursos cuánticos, se seleccionan los $k$ parches superiores (específicamente $k=2$) basándose en la energía de activación media.

2. Mapa de Características Cuánticas (Incrustación):

   • Los resúmenes de parches seleccionados se incrustan en estados cuánticos utilizando un circuito superficial eficiente en hardware.
   • Arquitectura: Para dos parches seleccionados, se utiliza un sistema de 8 qubits (4 qubits por parche).
   • Diseño del Circuito: La unitaria de incrustación $U_\phi(s)$ consiste en rotaciones parametrizadas de un solo qubit ($R_X, R_Y, R_Z$) seguidas de una cadena de entrelazamiento ligera de puertas Controlled-Z ($CZ$).
   • Restricciones: La profundidad del circuito se limita a $d \le 3$ para cumplir con las restricciones de Computación Cuántica de Escala Intermedia Ruidosa (NISQ). El entrelazamiento se restringe a cadenas locales dentro de los parches y una única conexión inter-parche para capturar la adyacencia espacial sin una profundidad excesiva.
   • Definición del Núcleo: El núcleo cuántico se define mediante la fidelidad del estado: $\kappa(x, x') = |\langle \phi(x) | \phi(x') \rangle|^2$.

3. Clasificación:

   • Una Máquina de Vectores de Soporte Cuántica (QSVM) se entrena utilizando la matriz de núcleo precalculada (matriz Gram).
   • A diferencia de los clasificadores cuánticos variacionales, Q-Patch no requiere una optimización iterativa de los parámetros del circuito; el aprendizaje se reduce a la optimización convexa estándar de SVM sobre el núcleo precalculado.

Contribuciones Clave

• Representación Basada en Parches: Introducción de una representación de audio consciente del tiempo-frecuencia que resume regiones locales utilizando descriptores acústicos compactos e interpretables en lugar de tratar los espectrogramas como imágenes genéricas.
• Mapa de Características Compatible con NISQ: Diseño de un mapa de características cuántico superficial (profundidad $\le 3$, 4–8 qubits) con entrelazamiento consciente de la adyacencia, específicamente adaptado a las restricciones del hardware cuántico a corto plazo.
• Evaluación Controlada: Una comparación rigurosa frente a líneas base clásicas de tamaño coincidente en un entorno de recursos limitados, aislando la contribución del mapa de características cuántico de la representación de entrada.

Resultados Experimentales
El marco se evaluó en un subconjunto equilibrado del conjunto de datos LJ Speech (50 enunciados genuinos y 50 falsificados, con 80 muestras de entrenamiento y 20 de desarrollo). Las muestras falsificadas se generaron utilizando ruido gaussiano aditivo y distorsiones espectrales como un proxy controlado para la manipulación de la autenticidad.

• Rendimiento: Q-Patch logró un Área Bajo la Curva Característica de Operación del Receptor (AUROC) de 0.87 y una Tasa de Error Igual (EER) de 14.8%.
• Comparaciones:
  • Superó a una Máquina de Vectores de Soporte con Función de Base Radial (RBF-SVM) entrenada exactamente sobre las mismas características a nivel de parche (AUROC 0.82, EER 18.2%), demostrando el valor del mapa de características cuántico y el núcleo basado en fidelidad.
  • Superó a una Red Neuronal Convolucional compacta (Tiny CNN, $\le 100$k parámetros) entrenada directamente sobre espectrogramas (AUROC 0.85, EER 16.3%).
• Análisis del Núcleo: El análisis del espacio del núcleo reveló una estructura de clase clara. La similitud inter-clase entre muestras genuinas y falsificadas fue de aproximadamente 0.615, significativamente menor que las similitudes intra-clase, lo que indica que el núcleo captura eficazmente las señales relacionadas con la autenticidad.

Significado y Afirmaciones
El artículo posiciona a Q-Patch como un estudio de viabilidad que demuestra que los mapas de características cuánticos conscientes del tiempo-frecuencia pueden proporcionar un sesgo inductivo útil para la discriminación de la autenticidad de audio, particularmente en entornos con datos limitados.

• Practicidad: El marco está diseñado para ser computacionalmente ligero y compatible con las restricciones actuales del hardware NISQ al limitar la cantidad de qubits y la profundidad del circuito.
• Sesgo Inductivo: Los resultados sugieren que modelar explícitamente la geometría del espectrograma a través de circuitos cuánticos superficiales puede mejorar la discriminación entre audio genuino y falsificado en comparación con enfoques clásicos genéricos que utilizan las mismas características.
• Modestia de las Afirmaciones: Los autores declaran explícitamente que los resultados son evidencia preliminar de un estudio de viabilidad controlado. Reconocen limitaciones, incluido el uso de suplantación simulada (ruido/distorsión) en lugar de deepfakes del mundo real, el pequeño tamaño del conjunto de datos (limitando la certeza estadística) y la dependencia de una simulación cuántica ideal en lugar de hardware físico. El trabajo se enmarca como un paso hacia la seguridad de audio cuántica escalable y consciente del hardware, con trabajo futuro necesario para abordar la robustez bajo ruido realista, benchmarks más grandes y diversos, y la implementación en hardware.