論文の概要: Revisiting Deepfake Detection: Chronological Continual Learning and the Limits of Generalization
- arxiv url: http://arxiv.org/abs/2509.07993v1
- Date: Fri, 29 Aug 2025 13:34:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-14 20:41:04.937085
- Title: Revisiting Deepfake Detection: Chronological Continual Learning and the Limits of Generalization
- Title（参考訳）: ディープフェイク検出を再考する: 時系列連続学習と一般化限界
- Authors: Federico Fontana, Anxhelo Diko, Romeo Lanzino, Marco Raoul Marini, Bachir Kaddar, Gian Luca Foresti, Luigi Cinque,
- Abstract要約: 本稿では,過去のジェネレータの知識を維持しつつ,新たな視覚操作技術に漸進的に適応する効率的なフレームワークを提案する。
筆者らの枠組みは、7年間にわたる長期にわたるディープフェイク技術の時系列的進化をシミュレートするものである。
実験により、効率的な適応(フルリトレーニングより+155倍速い)と歴史的知識の頑健な保持が可能でありながら、将来の発電機へのさらなる訓練を伴わない現在のアプローチの一般化は、ほぼランダムなままであることを示す。
- 参考スコア（独自算出の注目度）: 17.96773487765549
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid evolution of deepfake generation technologies poses critical challenges for detection systems, as non-continual learning methods demand frequent and expensive retraining. We reframe deepfake detection (DFD) as a Continual Learning (CL) problem, proposing an efficient framework that incrementally adapts to emerging visual manipulation techniques while retaining knowledge of past generators. Our framework, unlike prior approaches that rely on unreal simulation sequences, simulates the real-world chronological evolution of deepfake technologies in extended periods across 7 years. Simultaneously, our framework builds upon lightweight visual backbones to allow for the real-time performance of DFD systems. Additionally, we contribute two novel metrics: Continual AUC (C-AUC) for historical performance and Forward Transfer AUC (FWT-AUC) for future generalization. Through extensive experimentation (over 600 simulations), we empirically demonstrate that while efficient adaptation (+155 times faster than full retraining) and robust retention of historical knowledge is possible, the generalization of current approaches to future generators without additional training remains near-random (FWT-AUC $\approx$ 0.5) due to the unique imprint characterizing each existing generator. Such observations are the foundation of our newly proposed Non-Universal Deepfake Distribution Hypothesis. \textbf{Code will be released upon acceptance.}
- Abstract（参考訳）: ディープフェイク生成技術の急速な進化は、非連続学習手法が頻繁で高価な再訓練を必要としているため、検出システムにとって重要な課題となっている。
我々は,Deepfake Detection (DFD) を継続学習(CL)問題として再編成し,過去のジェネレータの知識を維持しつつ,新たな視覚操作技術に漸進的に適応する効率的なフレームワークを提案する。
我々のフレームワークは、非現実的なシミュレーションシーケンスに依存する従来のアプローチとは異なり、7年間にわたる長期にわたるディープフェイク技術の実際の時間進化をシミュレートしている。
同時に、私たちのフレームワークは、DFDシステムのリアルタイムパフォーマンスを実現するために、軽量なビジュアルバックボーンの上に構築されます。
さらに,過去における連続AUC(C-AUC)と将来的な一般化のための前方転送AUC(FWT-AUC)の2つの新しい指標を提示する。
大規模な実験(600回以上のシミュレーション)を通じて、効率的な適応(完全再訓練より+155倍速い)と歴史的知識の頑健な保持が可能であるが、既存の発電機を特徴付けるユニークなインプリントにより、追加の訓練を伴わない将来の発電機への現在のアプローチの一般化がほぼランダム(FWT-AUC $\approx$0.5)であることを示す。
このような観測は、新たに提案された非ユニバーサルディープフェイク分布仮説の基礎となっている。
\textbf{Codeは受理時にリリースされる。
※
関連論文リスト
- Deepfake Detection that Generalizes Across Benchmarks [63.29485283822232]
この研究は、事前訓練されたCLIPビジョンエンコーダのパラメータ効率適応により、ロバストな一般化が達成可能であることを示す。
2019年から2025年にかけて,13のベンチマークデータセットについて広範な評価を行った。
提案手法は、平均的クロスデータセットAUROCにおける、より複雑な、最新のアプローチよりも優れた、最先端の性能を実現する。
論文 参考訳（メタデータ） (2025-08-08T12:03:56Z) - Enhancing Abnormality Identification: Robust Out-of-Distribution Strategies for Deepfake Detection [2.4851820343103035]
本稿では,2つの新しいOf-Distribution(OOD)検出手法を提案する。
第1のアプローチは入力画像の再構築のために訓練され、第2のアプローチはOODを検出するための注意機構が組み込まれている。
提案手法は,ベンチマーク上での最高性能構成のうち,深度検出とランク付けにおいて有望な結果が得られる。
論文 参考訳（メタデータ） (2025-06-03T13:24:33Z) - Temporal-Difference Variational Continual Learning [89.32940051152782]
複数の先行推定の正則化効果を統合する新たな学習目標を提案する。
提案手法は, 変分CL法より優れたカタストロフィックフォーミングを効果的に緩和する。
論文 参考訳（メタデータ） (2024-10-10T10:58:41Z) - 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。
入力摂動によって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,本手法はトレーニング済みのVLMモデルを再プログラムすることができる。
いくつかの人気のあるベンチマークデータセットの実験では、ディープフェイク検出のクロスデータセットとクロスマニピュレーションのパフォーマンスが大幅に改善できることが示されている。
論文 参考訳（メタデータ） (2024-09-04T12:46:30Z) - Diffusion-Driven Data Replay: A Novel Approach to Combat Forgetting in Federated Class Continual Learning [13.836798036474143]
Federated Class Continual Learningにおける大きな課題は、破滅的な忘れ方だ。
本研究では拡散モデルに基づく新しいデータ再生手法を提案する。
我々の手法は既存のベースラインを大きく上回っている。
論文 参考訳（メタデータ） (2024-09-02T10:07:24Z) - Revisiting VAE for Unsupervised Time Series Anomaly Detection: A
Frequency Perspective [40.21603048003118]
変分オートエンコーダ(VAE)は、より優れたノイズ除去能力のために近年人気を集めている。
FCVAEは、グローバルとローカルの両方の周波数特徴を条件付き変分オートエンコーダ(CVAE)の条件に同時に統合する革新的なアプローチを利用する
提案手法は, パブリックデータセットと大規模クラウドシステムを用いて評価され, その結果, 最先端の手法よりも優れた結果が得られた。
論文 参考訳（メタデータ） (2024-02-05T09:06:57Z) - Continual Face Forgery Detection via Historical Distribution Preserving [88.66313037412846]
CFFD(Continuous Face Forgery Detection)に焦点をあてる。
CFFDは、以前の攻撃を忘れずに、新しい偽造攻撃から効率的に学習することを目指している。
評価実験の結果,提案手法は最先端の競合よりも優れていた。
論文 参考訳（メタデータ） (2023-08-11T16:37:31Z) - Learning to Rank in Generative Retrieval [62.91492903161522]
生成的検索は、検索対象として関連する通路の識別子文字列を生成することを目的としている。
我々はLTRGRと呼ばれる生成検索のための学習 torankフレームワークを提案する。
このフレームワークは、現在の生成的検索システムを強化するために、追加の学習からランクまでのトレーニングフェーズのみを必要とする。
論文 参考訳（メタデータ） (2023-06-27T05:48:14Z) - Task-agnostic Continual Learning with Hybrid Probabilistic Models [75.01205414507243]
分類のための連続学習のためのハイブリッド生成識別手法であるHCLを提案する。
フローは、データの配布を学習し、分類を行い、タスクの変更を特定し、忘れることを避けるために使用される。
本研究では,スプリット-MNIST,スプリット-CIFAR,SVHN-MNISTなどの連続学習ベンチマークにおいて,HCLの強い性能を示す。
論文 参考訳（メタデータ） (2021-06-24T05:19:26Z) - Phase Retrieval using Expectation Consistent Signal Recovery Algorithm
based on Hypernetwork [73.94896986868146]
位相検索は現代の計算イメージングシステムにおいて重要な要素である。
近年のディープラーニングの進歩は、堅牢で高速なPRの新たな可能性を開いた。
我々は、既存の制限を克服するために、深層展開のための新しいフレームワークを開発する。
論文 参考訳（メタデータ） (2021-01-12T08:36:23Z)
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。