論文の概要: Automated Deepfake Detection

• arxiv url: http://arxiv.org/abs/2106.10705v1
• Date: Sun, 20 Jun 2021 14:48:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-22 15:32:41.833772
• Title: Automated Deepfake Detection
• Title（参考訳）: ディープフェイク自動検出
• Authors: Ping Liu
• Abstract要約: 本稿では,Deepfake検出のためのアーキテクチャを自動検索する機械学習を提案する。 提案手法が従来の非深度学習法より優れているだけでなく,予測精度が向上することが実験的に証明された。
• 参考スコア（独自算出の注目度）: 19.17617301462919
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose to utilize Automated Machine Learning to automatically search architecture for deepfake detection. Unlike previous works, our method benefits from the superior capability of deep learning while relieving us from the high labor cost in the manual network design process. It is experimentally proved that our proposed method not only outperforms previous non-deep learning methods but achieves comparable or even better prediction accuracy compared to previous deep learning methods. To improve the generality of our method, especially when training data and testing data are manipulated by different methods, we propose a multi-task strategy in our network learning process, making it estimate potential manipulation regions in given samples as well as predict whether the samples are real. Comparing to previous works using similar strategies, our method depends much less on prior knowledge, such as no need to know which manipulation method is utilized and whether it is utilized already. Extensive experimental results on two benchmark datasets demonstrate the effectiveness of our proposed method on deepfake detection.
• Abstract（参考訳）: 本稿では,Deepfake検出のためのアーキテクチャを自動検索する機械学習を提案する。 従来の手法とは異なり,本手法は,手作業によるネットワーク設計プロセスにおける高作業コストを軽減しつつ,ディープラーニングの優れた能力の恩恵を受ける。 提案手法は,従来の非深層学習法より優れているだけでなく,従来の深層学習法と同等あるいはそれ以上の精度で予測できることを示す。 本手法の汎用性を向上させるため,特に異なる手法でデータやテストデータを操作する場合に,ネットワーク学習におけるマルチタスク戦略を提案し,与えられたサンプル中の潜在的な操作領域を推定し,サンプルが本物かどうかを推定する。 従来と類似した手法を用いた手法と比較して,操作方法の使い方や利用の有無を知る必要がなくなるなど,従来の知識よりもはるかに少ない。 2つのベンチマークデータセットの広範な実験結果から,提案手法がディープフェイク検出に有効であることを示す。

関連論文リスト

• Active Learning of Deep Neural Networks via Gradient-Free Cutting Planes [40.68266398473983]
  本研究では,任意の深さのReLULUネットワークに対して,斬新な切削平面法による能動的学習手法について検討する。 非線形収束にもかかわらず、これらのアルゴリズムはディープニューラルネットワークに拡張可能であることを実証する。 提案手法は,データ実験と実データセットの分類の両方を通じて,一般的な深層学習ベースラインに対する有効性を示す。
  論文  参考訳（メタデータ） (2024-10-03T02:11:35Z)
• RLIF: Interactive Imitation Learning as Reinforcement Learning [56.997263135104504]
  我々は,対話型模倣学習と類似するが,さらに実践的な仮定の下で,非政治強化学習によってパフォーマンスが向上できることを実証する。 提案手法は,ユーザ介入信号を用いた強化学習を報奨として利用する。 このことは、インタラクティブな模倣学習において介入する専門家がほぼ最適であるべきだという仮定を緩和し、アルゴリズムが潜在的に最適でない人間の専門家よりも改善される行動を学ぶことを可能にする。
  論文  参考訳（メタデータ） (2023-11-21T21:05:21Z)
• Learning and reusing primitive behaviours to improve Hindsight Experience Replay sample efficiency [7.806014635635933]
  簡単なタスクを解くために以前に学習されたプリミティブな動作を利用する手法を提案する。 このガイダンスは、手動で設計されたカリキュラムによって実行されるのではなく、むしろ批評家ネットワークを使用して、提案されたアクションを使用するかどうかを各タイムステップで決定する。 提案手法を用いることで,提案手法の効率と計算時間の両方において,エージェントがより高速にポリシを学習できることを実証する。
  論文  参考訳（メタデータ） (2023-10-03T06:49:57Z)
• A Self-supervised Contrastive Learning Method for Grasp Outcomes Prediction [9.865029065814236]
  比較学習法は,結果予測の把握に有効であることを示す。 本研究は,ロボットグルーピング分野への応用において,コントラスト学習手法の可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2023-06-26T06:06:49Z)
• Predicted Embedding Power Regression for Large-Scale Out-of-Distribution Detection [77.1596426383046]
  本研究では,学習過程において学習したラベル分布に基づいて,予測されたクラスラベルの確率を計算する手法を開発した。 提案手法は,計算コストの最小化のみで,現在の最先端手法よりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2023-03-07T18:28:39Z)
• Learning Representations for New Sound Classes With Continual Self-Supervised Learning [30.35061954854764]
  本稿では,新しい音響クラスのための表現を継続的に学習するための自己教師型学習フレームワークを提案する。 提案手法を用いて学習した表現は,より一般化され,破滅的な忘れ込みに対する感受性が低いことを示す。
  論文  参考訳（メタデータ） (2022-05-15T22:15:21Z)
• Self-supervised Transformer for Deepfake Detection [112.81127845409002]
  現実世界のシナリオにおけるディープフェイク技術は、顔偽造検知器のより強力な一般化能力を必要とする。 転送学習に触発されて、他の大規模な顔関連タスクで事前訓練されたニューラルネットワークは、ディープフェイク検出に有用な機能を提供する可能性がある。 本稿では,自己教師型変換器を用いた音声視覚コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-02T17:44:40Z)
• Human-in-the-Loop Disinformation Detection: Stance, Sentiment, or Something Else? [93.91375268580806]
  政治とパンデミックは、機械学習対応の偽ニュース検出アルゴリズムの開発に十分な動機を与えている。 既存の文献は、主に完全自動化されたケースに焦点を当てているが、その結果得られた技術は、軍事応用に必要な様々なトピック、ソース、時間スケールに関する偽情報を確実に検出することはできない。 既に利用可能なアナリストを人間のループとして活用することにより、感情分析、アスペクトベースの感情分析、姿勢検出といった標準的な機械学習技術は、部分的に自動化された偽情報検出システムに使用するためのもっとも有効な方法となる。
  論文  参考訳（メタデータ） (2021-11-09T13:30:34Z)
• SIMPLE: SIngle-network with Mimicking and Point Learning for Bottom-up Human Pose Estimation [81.03485688525133]
  Single-network with Mimicking and Point Learning for Bottom-up Human Pose Estimation (SIMPLE) を提案する。 具体的には、トレーニングプロセスにおいて、SIMPLEが高性能なトップダウンパイプラインからのポーズ知識を模倣できるようにする。 さらに、SIMPLEは人間検出とポーズ推定を統一的なポイントラーニングフレームワークとして定式化し、単一ネットワークで相互に補完する。
  論文  参考訳（メタデータ） (2021-04-06T13:12:51Z)
• Active Learning for Deep Object Detection via Probabilistic Modeling [27.195742892250916]
  オブジェクト検出のための新しい深層アクティブラーニング手法を提案する。 提案手法は,各局所化および分類ヘッドの出力に対する確率分布を推定する混合密度ネットワークに依存する。 本手法では,両頭部の2種類の不確実性を集約したスコアリング関数を用いて,各画像のインフォラティブネススコアを求める。
  論文  参考訳（メタデータ） (2021-03-30T07:37:11Z)
• AutoOD: Automated Outlier Detection via Curiosity-guided Search and Self-imitation Learning [72.99415402575886]
  外乱検出は重要なデータマイニングの課題であり、多くの実用的応用がある。 本稿では,最適なニューラルネットワークモデルを探すことを目的とした自動外乱検出フレームワークであるAutoODを提案する。 さまざまな実世界のベンチマークデータセットに対する実験結果から、AutoODが特定したディープモデルが最高のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2020-06-19T18:57:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。