論文の概要: Unifying Locality of KANs and Feature Drift Compensation Projection for Data-free Replay based Continual Face Forgery Detection

• arxiv url: http://arxiv.org/abs/2508.03189v2
• Date: Thu, 14 Aug 2025 10:56:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 13:42:23.543575
• Title: Unifying Locality of KANs and Feature Drift Compensation Projection for Data-free Replay based Continual Face Forgery Detection
• Title（参考訳）: データフリーリプレイによる連続顔偽造検出のためのKanの局所性と特徴量補正投影
• Authors: Tianshuo Zhang, Siran Peng, Li Gao, Haoyuan Zhang, Xiangyu Zhu, Zhen Lei,
• Abstract要約: Kolmogorov-Arnold Networks (KAN) は、その活性化機能として、局所的なプラスチックスプラインを利用している。 本稿では,DG-KD(Domain-Group Kan Detector)とKan Drift Compensation Projection(FS-KDCP)によるデータフリーリプレイ特徴分離戦略を含む,KAN-CFD(Continual Face Forgery Detection)フレームワークを提案する。 実験結果から,提案手法は特に忘れを少なくしながら優れた性能を発揮することが示された。
• 参考スコア（独自算出の注目度）: 35.888226100123745
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid advancements in face forgery techniques necessitate that detectors continuously adapt to new forgery methods, thus situating face forgery detection within a continual learning paradigm. However, when detectors learn new forgery types, their performance on previous types often degrades rapidly, a phenomenon known as catastrophic forgetting. Kolmogorov-Arnold Networks (KANs) utilize locally plastic splines as their activation functions, enabling them to learn new tasks by modifying only local regions of the functions while leaving other areas unaffected. Therefore, they are naturally suitable for addressing catastrophic forgetting. However, KANs have two significant limitations: 1) the splines are ineffective for modeling high-dimensional images, while alternative activation functions that are suitable for images lack the essential property of locality; 2) in continual learning, when features from different domains overlap, the mapping of different domains to distinct curve regions always collapses due to repeated modifications of the same regions. In this paper, we propose a KAN-based Continual Face Forgery Detection (KAN-CFD) framework, which includes a Domain-Group KAN Detector (DG-KD) and a data-free replay Feature Separation strategy via KAN Drift Compensation Projection (FS-KDCP). DG-KD enables KANs to fit high-dimensional image inputs while preserving locality and local plasticity. FS-KDCP avoids the overlap of the KAN input spaces without using data from prior tasks. Experimental results demonstrate that the proposed method achieves superior performance while notably reducing forgetting.
• Abstract（参考訳）: 顔偽造技法の急速な進歩は、検出器が新しい偽造手法に継続的に適応し、連続的な学習パラダイムの中で顔偽造検出を行う必要がある。 しかし、検出器が新しい偽造のタイプを学ぶと、以前のタイプの性能は急速に低下することが多く、これは破滅的な忘れ物として知られる現象である。 Kolmogorov-Arnold Networks (KANs) は、局所的なプラスチックスプラインを活性化機能として利用し、他の領域に影響を与えないまま関数の局所領域だけを変更して新しいタスクを学ぶことができる。 そのため、破滅的な忘れ物を扱うのに自然に適している。 しかし、カンには2つの重要な制限がある。 1) スプラインは高次元画像のモデリングには有効ではなく, 画像に適した代替活性化関数は局所性の本質的な性質を欠いている。 2) 連続学習では,異なる領域の特徴が重なり合うと,異なる領域の異なる曲線領域へのマッピングは常に同じ領域の反復的な修正によって崩壊する。 本稿では,Kan Drift Compensation Projection (FS-KDCP) を用いた,Domain-Group Kan Detector (DG-KD) とデータフリーリプレイ機能分離戦略を含む,Kan-based Continual Face Forgery Detection (KAN-CFD) フレームワークを提案する。 DG-KDは、局所性と局所的可塑性を保ちながら、高次元画像入力に適合する。 FS-KDCPは、以前のタスクからのデータを使わずに、kan入力空間の重複を回避する。 実験結果から,提案手法は特に忘れを少なくしながら優れた性能を発揮することが示された。

関連論文リスト

• Efficient Test-time Adaptive Object Detection via Sensitivity-Guided Pruning [73.40364018029673]
  連続的なテスト時間適応オブジェクト検出(CTTA-OD)は、源となる事前訓練された検出器を常に変化する環境にオンライン適応させることを目的としている。 私たちのモチベーションは、学習したすべての特徴が有益であるとは限らないという観察に起因しています。 FLOPの計算オーバヘッドを12%削減し,優れた適応性を実現する。
  論文  参考訳（メタデータ） (2025-06-03T05:27:56Z)
• KAN-AD: Time Series Anomaly Detection with Kolmogorov-Arnold Networks [20.42387034910592]
  時系列異常検出(TSAD)は、クラウドサービスやWebシステムのリアルタイム監視を支える。 解析の結果,TSADは局所パターンのスムーズなモデル化に重点を置いていることが明らかとなった。 そこで我々は,Kan-ADを提案し,B-スプラインを切り詰めたフーリエ拡張に置き換え,新しい軽量学習機構を導入する。
  論文  参考訳（メタデータ） (2024-11-01T00:24:15Z)
• Exploring Test-Time Adaptation for Object Detection in Continually Changing Environments [20.307151769610087]
  連続的テスト時間適応(CTTA)は、目標ドメインを継続的に変更するソーストレーニングモデルに徐々に適応する、有望な手法として登場した。 我々は3つのコアコンポーネントを特徴とするAMRODについて,CTTAシナリオにおける検出モデルに対するこれらの課題に対処する。 我々は,AMRODが既存の方法よりも優れている4つのCTTAオブジェクト検出タスクにおいて,AMRODの有効性を実証する。
  論文  参考訳（メタデータ） (2024-06-24T08:30:03Z)
• Decomposing the Neurons: Activation Sparsity via Mixture of Experts for Continual Test Time Adaptation [37.79819260918366]
  継続的なテスト時間適応(CTTA)は、トレーニング済みのモデルを進化し続けるターゲットドメインに適応させることを目的としている。 我々はCTTAタスクのアダプタとしてMixture-of-Activation-Sparsity-Experts (MoASE)の統合について検討する。
  論文  参考訳（メタデータ） (2024-05-26T08:51:39Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• DETR Doesn't Need Multi-Scale or Locality Design [69.56292005230185]
  本稿では,"プレーン"特性を維持できる改良型DETR検出器を提案する。 特定の局所性制約を伴わずに、単一スケールの機能マップとグローバルなクロスアテンション計算を使用する。 マルチスケールな特徴マップと局所性制約の欠如を補うために,2つの単純な技術が平易な設計において驚くほど効果的であることを示す。
  論文  参考訳（メタデータ） (2023-08-03T17:59:04Z)
• Region-Based Semantic Factorization in GANs [67.90498535507106]
  本稿では,任意の画像領域についてGAN(Generative Adversarial Networks)が学習した潜在意味を分解するアルゴリズムを提案する。 適切に定義された一般化されたレイリー商を通して、アノテーションや訓練なしにそのような問題を解く。 様々な最先端のGANモデルに対する実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-02-19T17:46:02Z)
• Decompose to Adapt: Cross-domain Object Detection via Feature Disentanglement [79.2994130944482]
  本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。 DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。 提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
  論文  参考訳（メタデータ） (2022-01-06T05:43:01Z)
• Domain Adaptive Object Detection via Feature Separation and Alignment [11.4768983507572]
  対向型ドメイン適応オブジェクト検出法(DAOD)が急速に開発されている。 本稿では,grey-scale feature separation (gsfs) モジュール,local-global feature alignment (lgfa) モジュール,および region-instance-level alignment (rila) モジュールからなる特徴分離アライメントネットワーク (fsanet) を確立する。 私達のFSANetはターゲット ドメインの検出でよりよい性能を達成し、最先端の方法を超過します。
  論文  参考訳（メタデータ） (2020-12-16T01:44:34Z)

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。