論文の概要: Autonomous and Self-Adapting System for Synthetic Media Detection and Attribution

• arxiv url: http://arxiv.org/abs/2504.03615v1
• Date: Fri, 04 Apr 2025 17:33:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-07 14:49:17.490215
• Title: Autonomous and Self-Adapting System for Synthetic Media Detection and Attribution
• Title（参考訳）: 合成メディア検出・属性自動適応システム
• Authors: Aref Azizpour, Tai D. Nguyen, Matthew C. Stamm,
• Abstract要約: 現在の合成画像識別システムは一般に静的である。 新しい生成モデルが出現すると、これらのシステムは厳しい性能劣化に悩まされる。 本稿では,自律型自己適応型合成メディア識別システムについて紹介する。
• 参考スコア（独自算出の注目度）: 8.167678851224121
• License:
• Abstract: Rapid advances in generative AI have enabled the creation of highly realistic synthetic images, which, while beneficial in many domains, also pose serious risks in terms of disinformation, fraud, and other malicious applications. Current synthetic image identification systems are typically static, relying on feature representations learned from known generators; as new generative models emerge, these systems suffer from severe performance degradation. In this paper, we introduce the concept of an autonomous self-adaptive synthetic media identification system -- one that not only detects synthetic images and attributes them to known sources but also autonomously identifies and incorporates novel generators without human intervention. Our approach leverages an open-set identification strategy with an evolvable embedding space that distinguishes between known and unknown sources. By employing an unsupervised clustering method to aggregate unknown samples into high-confidence clusters and continuously refining its decision boundaries, our system maintains robust detection and attribution performance even as the generative landscape evolves. Extensive experiments demonstrate that our method significantly outperforms existing approaches, marking a crucial step toward universal, adaptable forensic systems in the era of rapidly advancing generative models.
• Abstract（参考訳）: 生成AIの急速な進歩により、非常に現実的な合成画像の作成が可能になった。 現在の合成画像識別システムは一般に静的であり、既知のジェネレータから学んだ特徴表現に依存している。 本稿では, 自動自己適応型合成メディア識別システムの概念を紹介する。これは, 合成画像を検出し, 未知のソースに属性付けするだけでなく, 人間の介入なしに新規なジェネレータを自律的に識別し, 組み込むシステムである。 提案手法は,未知のソースと未知のソースを区別する,進化可能な埋め込み空間を持つオープンセット識別戦略を利用する。 教師なしクラスタリング手法を用いて、未知のサンプルを高信頼クラスタに集約し、その決定境界を継続的に改善することにより、生成環境が進化しても、ロバストな検出と帰属性能を維持する。 広範囲な実験により,本手法は既存の手法よりも優れており,急速に進歩する生成モデルの時代において,普遍的で適応可能な法医学システムへの重要な一歩であることが明らかとなった。

関連論文リスト

• Detecting Discrepancies Between AI-Generated and Natural Images Using Uncertainty [91.64626435585643]
  本稿では,誤用と関連するリスクを軽減するために,予測不確実性を利用してAI生成画像を検出する新しい手法を提案する。 この動機は、自然画像とAI生成画像の分布差に関する基本的な仮定から生じる。 本稿では,AI生成画像の検出スコアとして,大規模事前学習モデルを用いて不確実性を計算することを提案する。
  論文  参考訳（メタデータ） (2024-12-08T11:32:25Z)
• Present and Future Generalization of Synthetic Image Detectors [0.6144680854063939]
  この研究は系統的な分析を行い、その洞察を用いて、堅牢な合成画像検出器の訓練のための実践的ガイドラインを開発する。 モデル一般化機能は、実際のデプロイメント条件を含む、さまざまな設定で評価される。 現在の手法は特定のシナリオにおいて優れているが、単一の検出器が普遍的な効果を達成できないことを示す。
  論文  参考訳（メタデータ） (2024-09-21T12:46:17Z)
• Detecting the Undetectable: Combining Kolmogorov-Arnold Networks and MLP for AI-Generated Image Detection [0.0]
  本稿では,最先端な生成AIモデルによって生成された画像の堅牢な識別が可能な,新しい検出フレームワークを提案する。 従来の多層パーセプトロン(MLP)とセマンティックイメージ埋め込みを統合した分類システムを提案する。
  論文  参考訳（メタデータ） (2024-08-18T06:00:36Z)
• RIGID: A Training-free and Model-Agnostic Framework for Robust AI-Generated Image Detection [60.960988614701414]
  RIGIDは、堅牢なAI生成画像検出のためのトレーニング不要でモデルに依存しない方法である。 RIGIDは、既存のトレーニングベースおよびトレーニング不要な検出器を著しく上回っている。
  論文  参考訳（メタデータ） (2024-05-30T14:49:54Z)
• An Attention-Based Deep Generative Model for Anomaly Detection in Industrial Control Systems [3.303448701376485]
  異常検出は、産業制御システムの安全かつ信頼性の高い運用に不可欠である。 本稿では,このニーズを満たすための新しい深層生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-03T23:58:27Z)
• Confidence-Aware and Self-Supervised Image Anomaly Localisation [7.099105239108548]
  本稿では,ゆるやかな特徴的局所性制約による確率的推論の近似を支援する,自己教師付きシングルクラストレーニング戦略について論じる。 提案手法は,複数のオフ・オブ・ディストリビューション(OOD)検出モデルに統合されている。
  論文  参考訳（メタデータ） (2023-03-23T12:48:47Z)
• Safe Multi-agent Learning via Trapping Regions [89.24858306636816]
  我々は、動的システムの定性理論から知られているトラップ領域の概念を適用し、分散学習のための共同戦略空間に安全セットを作成する。 本稿では,既知の学習力学を持つシステムにおいて,候補がトラップ領域を形成することを検証するための二分分割アルゴリズムと,学習力学が未知のシナリオに対するサンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-27T14:47:52Z)
• Random Feature Models for Learning Interacting Dynamical Systems [2.563639452716634]
  エージェントの経路のノイズ観測から直接相互作用力のデータに基づく近似を構築することの問題点を考察する。 学習された相互作用カーネルは、長い時間間隔でエージェントの振る舞いを予測するために使用される。 さらに,カーネル評価コストを削減し,マルチエージェントシステムのシミュレーションコストを大幅に削減する。
  論文  参考訳（メタデータ） (2022-12-11T20:09:36Z)
• Principled Knowledge Extrapolation with GANs [92.62635018136476]
  我々は,知識外挿の新たな視点から,対実合成を研究する。 本稿では, 知識外挿問題に対処するために, クローズド形式判別器を用いた対角ゲームが利用可能であることを示す。 提案手法は,多くのシナリオにおいて,エレガントな理論的保証と優れた性能の両方を享受する。
  論文  参考訳（メタデータ） (2022-05-21T08:39:42Z)
• Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
  オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。 CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。 複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2020-08-12T06:23:49Z)
• High-Fidelity Synthesis with Disentangled Representation [60.19657080953252]
  本稿では,不整合学習と高忠実度合成のためのID-GAN(Information-Distillation Generative Adrial Network)を提案する。 提案手法は, VAEモデルを用いて非交叉表現を学習し, 高忠実度合成のためのGAN生成器に追加のニュアンス変数で学習表現を蒸留する。 単純さにもかかわらず,提案手法は高効率であり,不整合表現を用いた最先端の手法に匹敵する画像生成品質を実現する。
  論文  参考訳（メタデータ） (2020-01-13T14:39:40Z)

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。