合成语音可能被用于欺诈、欺骗和误导宣传等邪恶目的。我们介绍了几种基于深度学习的语音取证方法，以防范此类攻击。首先，我们使用卷积神经网络（CNN）和变换器来检测合成语音。然后，我们研究了封闭集和开放集语音合成器归因。我们使用变换器将语音信号归属于其来源（即识别创建该信号的语音合成器）。此外，我们还展示了我们的方法可以在其潜在空间中分离出不同的已知和未知语音合成器，即使在训练过程中没有看到任何未知语音合成器。接下来，我们探讨了航空航天领域的机器学习目标。

与传统的弹道飞行器和巡航飞行器相比，高超音速滑翔飞行器（HGV）具有前所未有的能力。它们的飞行速度超过 5 马赫，并能机动躲避防御系统，阻碍对其最终目的地的预测。我们研究了根据气动状态估计识别不同高超音速飞行器和圆锥再入飞行器（CRV）的机器学习方法。我们还提出了一种 HGV 飞行阶段预测方法。受自然语言处理（NLP）的启发，我们将飞行阶段建模为 "单词"，将 HGV 轨迹建模为 "句子"。接下来，我们从 HGV 轨迹中学习描述其飞行阶段转换模式的 "语法"。根据桓车轨迹初始部分的 "单词 "和 "语法"，我们可以预测 "句子 "中未来的 "单词"（即轨迹中未来的桓车飞行阶段）。我们证明，这种方法可以成功预测 HGV 轨迹的未来飞行阶段，尤其是在训练数据有限的情况下。我们还证明，这种方法可用于迁移学习场景，预测在训练过程中从未出现过的新动作和行为的 HGV 轨迹的飞行阶段。