論文の概要: Age-Diverse Deepfake Dataset: Bridging the Age Gap in Deepfake Detection

• arxiv url: http://arxiv.org/abs/2508.06552v1
• Date: Wed, 06 Aug 2025 05:18:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.431087
• Title: Age-Diverse Deepfake Dataset: Bridging the Age Gap in Deepfake Detection
• Title（参考訳）: 年齢差ディープフェイクデータ:ディープフェイク検出における年齢ギャップを埋める
• Authors: Unisha Joshi,
• Abstract要約: 本稿では,年齢群間の公平性を向上する,年齢差深度データセットを提案する。 このデータセットの有効性と一般化性は3つのディープフェイク検出モデルを用いて評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The challenges associated with deepfake detection are increasing significantly with the latest advancements in technology and the growing popularity of deepfake videos and images. Despite the presence of numerous detection models, demographic bias in the deepfake dataset remains largely unaddressed. This paper focuses on the mitigation of age-specific bias in the deepfake dataset by introducing an age-diverse deepfake dataset that will improve fairness across age groups. The dataset is constructed through a modular pipeline incorporating the existing deepfake datasets Celeb-DF, FaceForensics++, and UTKFace datasets, and the creation of synthetic data to fill the age distribution gaps. The effectiveness and generalizability of this dataset are evaluated using three deepfake detection models: XceptionNet, EfficientNet, and LipForensics. Evaluation metrics, including AUC, pAUC, and EER, revealed that models trained on the age-diverse dataset demonstrated fairer performance across age groups, improved overall accuracy, and higher generalization across datasets. This study contributes a reproducible, fairness-aware deepfake dataset and model pipeline that can serve as a foundation for future research in fairer deepfake detection. The complete dataset and implementation code are available at https://github.com/unishajoshi/age-diverse-deepfake-detection.
• Abstract（参考訳）: ディープフェイク検出に関わる課題は、最新の技術進歩とディープフェイクビデオや画像の普及により、大幅に増加している。 多くの検出モデルが存在するにもかかわらず、ディープフェイクデータセットの人口統計バイアスは、ほとんど未適応のままである。 本稿では, 年齢群間の公平性を向上する, 年齢差深度データセットを導入することにより, 深度データにおける年齢差の緩和に着目する。 データセットは、既存のディープフェイクデータセットであるCeleb-DF、FaceForensics++、UTKFaceデータセットを組み込んだモジュラーパイプラインで構築され、年齢分布ギャップを埋めるための合成データを生成する。 このデータセットの有効性と一般化性は、XceptionNet、EfficientNet、LipForensicsの3つのディープフェイク検出モデルを用いて評価される。 AUC、pAUC、EERなどの評価指標では、年齢差データセットでトレーニングされたモデルは、年齢グループ間でより公平なパフォーマンスを示し、全体的な精度を改善し、データセット間での高度な一般化を示した。 本研究は, 再現性が高く, 公平性に配慮したディープフェイクデータセットとモデルパイプラインを提供し, より公平なディープフェイク検出の基盤となる。 完全なデータセットと実装コードはhttps://github.com/unishajoshi/age-diverse-deepfake-detectionで公開されている。

関連論文リスト

• Deepfake Media Generation and Detection in the Generative AI Era: A Survey and Outlook [101.30779332427217]
  本研究は,近年の現場開発を含むディープフェイク発生・検出技術について調査する。 偽コンテンツの変更や生成に使用する手順に従って,様々な種類のディープフェイクを識別する。 我々は,分布外コンテンツに基づくディープフェイク検出のための新しいマルチモーダル・ベンチマークを開発した。
  論文  参考訳（メタデータ） (2024-11-29T08:29:25Z)
• DF40: Toward Next-Generation Deepfake Detection [62.073997142001424]
  既存の研究は、ある特定のデータセットで検出器をトレーニングし、他の一般的なディープフェイクデータセットでテストすることで、トップノーチ検出アルゴリズムとモデルを識別する。 しかし、これらの「勝者」は現実の世界に潜む無数の現実的で多様なディープフェイクに取り組むために真に応用できるのだろうか? 我々は,40の異なるディープフェイク技術からなるDF40という,高度に多様なディープフェイク検出データセットを構築した。
  論文  参考訳（メタデータ） (2024-06-19T12:35:02Z)
• CrossDF: Improving Cross-Domain Deepfake Detection with Deep Information Decomposition [53.860796916196634]
  クロスデータセットディープフェイク検出(CrossDF)の性能を高めるためのディープ情報分解(DID)フレームワークを提案する。 既存のディープフェイク検出方法とは異なり、我々のフレームワークは特定の視覚的アーティファクトよりも高いレベルのセマンティック特徴を優先する。 顔の特徴をディープフェイク関連情報と無関係情報に適応的に分解し、本質的なディープフェイク関連情報のみを用いてリアルタイム・フェイク識別を行う。
  論文  参考訳（メタデータ） (2023-09-30T12:30:25Z)
• Analyzing Fairness in Deepfake Detection With Massively Annotated Databases [9.407035514709293]
  パブリックなDeepfakeデータセットにおいてバイアス検出を引き起こす要因について検討する。 一般的な5つのDeepfakeデータセットに対して、47の異なる属性を持つ大規模な人口統計学的および非デコグラフィ的アノテーションを作成します。 我々は、これらのデータセット上の3つの最先端のDeepfake検出バックボーンモデルのAIバイアスの原因となる属性を分析する。
  論文  参考訳（メタデータ） (2022-08-11T14:28:21Z)
• Voice-Face Homogeneity Tells Deepfake [56.334968246631725]
  既存の検出アプローチは、ディープフェイクビデオにおける特定のアーティファクトの探索に寄与する。 未探索の音声-顔のマッチングビューからディープフェイク検出を行う。 我々のモデルは、他の最先端の競合と比較して、大幅に性能が向上する。
  論文  参考訳（メタデータ） (2022-03-04T09:08:50Z)
• An Experimental Evaluation on Deepfake Detection using Deep Face Recognition [0.0]
  ディープラーニングは、ディープフェイク(deepfakes)として知られる非常に現実的なフェイクコンテンツを生み出した。 現在のディープフェイク検出法のほとんどは、2クラス畳み込みニューラルネットワーク(CNN)を用いた偽のイメージやビデオとを区別する二項分類問題と見なされている。 本稿では,異なる損失関数とディープフェイク生成技術を用いて,ディープフェイク識別におけるディープフェイク認識の有効性を徹底的に評価する。
  論文  参考訳（メタデータ） (2021-10-04T18:02:56Z)

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。