論文の概要: Suppressing Gradient Conflict for Generalizable Deepfake Detection

• arxiv url: http://arxiv.org/abs/2507.21530v1
• Date: Tue, 29 Jul 2025 06:48:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-30 17:08:55.762434
• Title: Suppressing Gradient Conflict for Generalizable Deepfake Detection
• Title（参考訳）: 一般化可能なディープフェイク検出のためのグラディエント・コンフリクトの抑制
• Authors: Ming-Hui Liu, Harry Cheng, Xin Luo, Xin-Shun Xu,
• Abstract要約: 本稿では,2つの相乗的モジュールによる勾配競合を明示的に緩和するCS-DFDフレームワークを提案する。 複数のディープフェイクベンチマークの実験により、CS-DFDはドメイン内検出精度とクロスドメインの一般化の両方において最先端の性能を達成することが示された。
• 参考スコア（独自算出の注目度）: 13.33948815738503
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust deepfake detection models must be capable of generalizing to ever-evolving manipulation techniques beyond training data. A promising strategy is to augment the training data with online synthesized fake images containing broadly generalizable artifacts. However, in the context of deepfake detection, it is surprising that jointly training on both original and online synthesized forgeries may result in degraded performance. This contradicts the common belief that incorporating more source-domain data should enhance detection accuracy. Through empirical analysis, we trace this degradation to gradient conflicts during backpropagation which force a trade-off between source domain accuracy and target domain generalization. To overcome this issue, we propose a Conflict-Suppressed Deepfake Detection (CS-DFD) framework that explicitly mitigates the gradient conflict via two synergistic modules. First, an Update Vector Search (UVS) module searches for an alternative update vector near the initial gradient vector to reconcile the disparities of the original and online synthesized forgeries. By further transforming the search process into an extremum optimization problem, UVS yields the uniquely update vector, which maximizes the simultaneous loss reductions for each data type. Second, a Conflict Gradient Reduction (CGR) module enforces a low-conflict feature embedding space through a novel Conflict Descent Loss. This loss penalizes misaligned gradient directions and guides the learning of representations with aligned, non-conflicting gradients. The synergy of UVS and CGR alleviates gradient interference in both parameter optimization and representation learning. Experiments on multiple deepfake benchmarks demonstrate that CS-DFD achieves state-of-the-art performance in both in-domain detection accuracy and cross-domain generalization.
• Abstract（参考訳）: 頑丈なディープフェイク検出モデルは、トレーニングデータを超えた、絶え間なく進化する操作技術に一般化できなければならない。 有望な戦略は、広く一般化可能なアーティファクトを含むオンライン合成偽画像でトレーニングデータを増強することである。 しかし、ディープフェイク検出の文脈では、オリジナルとオンラインの合成偽造の併用訓練が性能低下をもたらすことは驚くべきことである。 これは、より多くのソース・ドメイン・データを組み込むことで検出精度を高めるという一般的な信念とは矛盾する。 実証分析により、この劣化をバックプロパゲーション中の勾配競合に追跡し、ソース領域の精度とターゲット領域の一般化の間のトレードオフを強制する。 この問題を解決するために,2つの相乗的モジュールによる勾配競合を明示的に緩和するCS-DFD(Conflict-Suppressed Deepfake Detection)フレームワークを提案する。 まず、更新ベクトル探索(UVS)モジュールが初期勾配ベクトル付近で別の更新ベクトルを検索し、オリジナルとオンラインの合成フォージェリの相違を再現する。 さらに、探索プロセスを極大最適化問題に変換することにより、UVSは、各データタイプの同時損失削減を最大化する一意更新ベクトルを得る。 第二に、CGR(Conflict Gradient Reduction)モジュールは、新しいConflict Descent Lossを通じて低コンフリクト特徴の埋め込み空間を強制する。 この損失は、不整合勾配の方向をペナルティ化し、整列した非畳み込み勾配による表現の学習を導く。 UVSとCGRの相乗効果はパラメータ最適化と表現学習の両方において勾配干渉を緩和する。 複数のディープフェイクベンチマークの実験により、CS-DFDはドメイン内検出精度とクロスドメインの一般化の両方において最先端の性能を達成することが示された。

関連論文リスト

• RoGA: Towards Generalizable Deepfake Detection through Robust Gradient Alignment [13.327130030147565]
  一般化勾配更新とEMM勾配更新を一致させる新しい学習目標を提案する。 鍵となる革新は、モデルパラメータへの摂動の適用であり、ドメイン間の上昇点を整列させることである。 複数の挑戦的なディープフェイク検出データセットの実験結果から、勾配アライメント戦略が最先端の領域一般化技術より優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-27T03:02:21Z)
• A Few Large Shifts: Layer-Inconsistency Based Minimal Overhead Adversarial Example Detection [9.335304254034401]
  我々は、ターゲットモデル自体の内部の階層的不整合を利用して、軽量なプラグイン検出フレームワークを導入する。 本手法は, 計算オーバーヘッドを無視し, 正確さを損なうことなく, 最先端検出性能を実現する。
  論文  参考訳（メタデータ） (2025-05-19T00:48:53Z)
• GIFD: A Generative Gradient Inversion Method with Feature Domain Optimization [52.55628139825667]
  Federated Learning(FL)は、クライアントのプライバシを保護するための有望な分散機械学習フレームワークとして登場した。 近年の研究では、事前学習された生成逆ネットワーク(GAN)を事前知識として活用することにより、攻撃者が共有勾配を逆転し、FLシステムに対する機密データを回復できることが示されている。 textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T04:34:21Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• Boosting Gradient for White-Box Adversarial Attacks [60.422511092730026]
  そこで本研究では,ADV-ReLUと呼ばれる,勾配に基づくホワイトボックス攻撃アルゴリズムの性能向上を目的とした,汎用的な逆例生成手法を提案する。 提案手法では,損失関数とネットワーク入力の勾配を算出し,その値をスコアにマップし,その一部を選択して誤導勾配を更新する。
  論文  参考訳（メタデータ） (2020-10-21T02:13:26Z)
• Simple and Effective Prevention of Mode Collapse in Deep One-Class Classification [93.2334223970488]
  深部SVDDにおける超球崩壊を防止するための2つの正則化器を提案する。 第1の正則化器は、標準のクロスエントロピー損失によるランダムノイズの注入に基づいている。 第2の正規化器は、小さすぎるとミニバッチ分散をペナライズする。
  論文  参考訳（メタデータ） (2020-01-24T03:44:47Z)

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。