Fugu-MT 論文翻訳(概要): Penny-Wise and Pound-Foolish in Deepfake Detection

論文の概要: Penny-Wise and Pound-Foolish in Deepfake Detection

arxiv url: http://arxiv.org/abs/2408.08412v1
Date: Thu, 15 Aug 2024 20:38:31 GMT
ステータス: 処理完了
システム内更新日: 2024-08-19 17:09:56.106027
Title: Penny-Wise and Pound-Foolish in Deepfake Detection
Title（参考訳）: ディープフェイク検出におけるペニーワイズとパウンドフーライッシュ
Authors: Yabin Wang, Zhiwu Huang, Su Zhou, Adam Prugel-Bennett, Xiaopeng Hong,
Abstract要約: 本研究では,事前学習された視覚言語モデルに基づく深度検出の一般化のための新しい学習フレームワーク(PoundNet)を提案する。 PoundNetは学習可能なプロンプト設計と、上流タスクから幅広い知識を維持するためのバランスの取れた目的を取り入れている。最先端の手法に比べてディープフェイク検出性能が19%向上した。
参考スコア（独自算出の注目度）: 31.658764110512788
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The diffusion of deepfake technologies has sparked serious concerns about its potential misuse across various domains, prompting the urgent need for robust detection methods. Despite advancement, many current approaches prioritize short-term gains at expense of long-term effectiveness. This paper critiques the overly specialized approach of fine-tuning pre-trained models solely with a penny-wise objective on a single deepfake dataset, while disregarding the pound-wise balance for generalization and knowledge retention. To address this "Penny-Wise and Pound-Foolish" issue, we propose a novel learning framework (PoundNet) for generalization of deepfake detection on a pre-trained vision-language model. PoundNet incorporates a learnable prompt design and a balanced objective to preserve broad knowledge from upstream tasks (object classification) while enhancing generalization for downstream tasks (deepfake detection). We train PoundNet on a standard single deepfake dataset, following common practice in the literature. We then evaluate its performance across 10 public large-scale deepfake datasets with 5 main evaluation metrics-forming the largest benchmark test set for assessing the generalization ability of deepfake detection models, to our knowledge. The comprehensive benchmark evaluation demonstrates the proposed PoundNet is significantly less "Penny-Wise and Pound-Foolish", achieving a remarkable improvement of 19% in deepfake detection performance compared to state-of-the-art methods, while maintaining a strong performance of 63% on object classification tasks, where other deepfake detection models tend to be ineffective. Code and data are open-sourced at https://github.com/iamwangyabin/PoundNet.
Abstract（参考訳）: ディープフェイク技術の拡散は、様々な領域にまたがる潜在的な誤用に関する深刻な懸念を引き起こし、堅牢な検出方法が緊急に必要となる。進歩にもかかわらず、現在の多くのアプローチは長期的な効果を犠牲にして短期的な利益を優先している。本稿では,1つのディープフェイクデータセットに対して,1ペニーワイズな目的のみをもち,一般化と知識保持のためのポンドワイズバランスを無視した,微調整事前学習モデルの過度に専門的なアプローチを批判する。この「Penny-Wise and Pound-Foolish」問題に対処するため、事前学習された視覚言語モデルに基づく深度検出の一般化のための新しい学習フレームワーク(PoundNet)を提案する。 PoundNetは学習可能なプロンプト設計とバランスの取れた目的を組み、上流タスク(オブジェクト分類)から幅広い知識を保存すると同時に、下流タスク(ディープフェイク検出)の一般化を強化する。パウンドネットを標準の1つのディープフェイクデータセットでトレーニングします。次に、大規模なディープフェイク検出モデルの一般化能力を評価するための最大のベンチマークテストセットを生成する5つの主要な評価指標を用いて、10のパブリックなディープフェイクデータセットのパフォーマンスを評価した。総合的なベンチマーク評価では、提案したPoundNetは「Penny-Wise and Pound-Foolish」よりも大幅に小さく、最先端の手法に比べてディープフェイク検出性能が19%向上し、また、他のディープフェイク検出モデルが非効率であるオブジェクト分類タスクでは63%の強い性能を維持した。コードとデータはhttps://github.com/iamwangyabin/PoundNet.comで公開されている。

関連論文リスト

Leveraging Mixture of Experts for Improved Speech Deepfake Detection [53.69740463004446]
スピーチのディープフェイクは、個人のセキュリティとコンテンツの信頼性に重大な脅威をもたらす。本研究では,Mixture of Expertsアーキテクチャを用いた音声深度検出性能の向上のための新しい手法を提案する。
論文参考訳（メタデータ） (2024-09-24T13:24:03Z)
Standing on the Shoulders of Giants: Reprogramming Visual-Language Model for General Deepfake Detection [16.21235742118949]
本稿では,よく訓練された視覚言語モデル(VLM)を一般深度検出に活用する手法を提案する。データ摂動によるモデル予測を操作するモデル再プログラミングパラダイムにより,本手法は事前学習したVLMモデルを再プログラムすることができる。私たちの優れたパフォーマンスは、トレーニング可能なパラメータのコストを低減し、現実世界のアプリケーションにとって有望なアプローチになります。
論文参考訳（メタデータ） (2024-09-04T12:46:30Z)
Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [58.60915132222421]
本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
論文参考訳（メタデータ） (2024-08-23T01:53:36Z)
Towards More General Video-based Deepfake Detection through Facial Feature Guided Adaptation for Foundation Model [15.61920157541529]
内部にリッチな情報をエンコードしたファンデーションモデルを適用することにより,新しいディープフェイク検出手法を提案する。近年のパラメータ効率の良い微調整技術に触発されて,新しいサイドネットワーク型デコーダを提案する。提案手法は,見知らぬディープフェイクサンプルの同定に優れた有効性を示し,顕著な性能向上を実現している。
論文参考訳（メタデータ） (2024-04-08T14:58:52Z)
Facial Forgery-based Deepfake Detection using Fine-Grained Features [7.378937711027777]
ディープフェイクによる顔の偽造は、大きなセキュリティリスクを引き起こし、深刻な社会的懸念を引き起こしている。我々は,詳細な分類問題としてディープフェイク検出を定式化し,それに対する新たなきめ細かな解を提案する。本手法は, 背景雑音を効果的に抑制し, 様々なスケールの識別特徴を学習することにより, 微妙で一般化可能な特徴を学習し, 深度検出を行う。
論文参考訳（メタデータ） (2023-10-10T21:30:05Z)
Quality-Agnostic Deepfake Detection with Intra-model Collaborative Learning [26.517887637150594]
Deepfakeは最近、セキュリティ上の脅威と偽情報の拡散に関して、多くの社会的懸念を提起した。多くのSOTAアプローチは、特定のディープフェイクビデオ品質タイプを検出するために単一の特定モデルを使用することによって制限される。本研究では,異なる品質のディープフェイクを効果的かつ同時検出できる汎用的なモデル内協調学習フレームワークを提案する。
論文参考訳（メタデータ） (2023-09-12T02:01:31Z)
Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文参考訳（メタデータ） (2023-08-18T13:13:09Z)
DeepfakeBench: A Comprehensive Benchmark of Deepfake Detection [55.70982767084996]
ディープフェイク検出の分野で見落とされがちな課題は、標準化され、統一され、包括的なベンチマークがないことである。 DeepfakeBenchと呼ばれる,3つの重要なコントリビューションを提供するディープフェイク検出のための,最初の包括的なベンチマークを提示する。 DeepfakeBenchには15の最先端検出方法、9CLデータセット、一連のDeepfake検出評価プロトコルと分析ツール、包括的な評価ツールが含まれている。
論文参考訳（メタデータ） (2023-07-04T01:34:41Z)
TAR: Generalized Forensic Framework to Detect Deepfakes using Weakly Supervised Learning [17.40885531847159]
ディープフェイクは重要な社会問題となり、それらを検出することが非常に重要です。本研究では,異なる種類のディープフェイクを同時に検出する実用的なデジタル鑑識ツールを提案する。レジデンシャルブロックを用いた自動エンコーダベースの検出モデルを開発し、異なる種類のディープフェイクを同時に検出する転送学習を順次実施します。
論文参考訳（メタデータ） (2021-05-13T07:31:08Z)
RobustBench: a standardized adversarial robustness benchmark [84.50044645539305]
ロバストネスのベンチマークにおける主な課題は、その評価がしばしばエラーを起こし、ロバストネス過大評価につながることである。我々は,白箱攻撃と黒箱攻撃のアンサンブルであるAutoAttackを用いて,敵対的ロバスト性を評価する。分散シフト,キャリブレーション,アウト・オブ・ディストリビューション検出,フェアネス,プライバシリーク,スムースネス,転送性に対するロバスト性の影響を解析した。
論文参考訳（メタデータ） (2020-10-19T17:06:18Z)
Learning a Unified Sample Weighting Network for Object Detection [113.98404690619982]
地域サンプリングや重み付けは、現代の地域ベースの物体検出器の成功に極めて重要である。サンプル重み付けはデータ依存でタスク依存であるべきだと我々は主張する。サンプルのタスク重みを予測するための統一的なサンプル重み付けネットワークを提案する。
論文参考訳（メタデータ） (2020-06-11T16:19:16Z)

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。