論文の概要: From Spurious to Causal: Low-rank Orthogonal Subspace Intervention for Generalizable Face Forgery Detection

• arxiv url: http://arxiv.org/abs/2601.11915v1
• Date: Sat, 17 Jan 2026 05:32:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.374324
• Title: From Spurious to Causal: Low-rank Orthogonal Subspace Intervention for Generalizable Face Forgery Detection
• Title（参考訳）: SpuriousからCausalへ:汎用顔偽造検出のための低ランク直交サブスペースインターベンション
• Authors: Chi Wang, Xinjue Hu, Boyu Wang, Ziwen He, Zhangjie Fu,
• Abstract要約: 偽造非関連情報は総称して素因相関因子と呼ばれる。 我々は,表現空間に対する介入パラダイムを提案し,様々なインスタンスレベルのスプリアス相関を1つずつ追跡・ブロックする代わりに,それらを低ランク部分空間として一様にモデル化する。 提案手法は,複数のベンチマークで最先端性能を実現し,堅牢性と一般化性に優れた。
• 参考スコア（独自算出の注目度）: 23.325152252327978
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The generalization problem remains a critical challenge in face forgery detection. Some researches have discovered that ``a backdoor path" in the representations from forgery-irrelevant information to labels induces biased learning, thereby hindering the generalization. In this paper, these forgery-irrelevant information are collectively termed spurious correlations factors. Previous methods predominantly focused on identifying concrete, specific spurious correlation and designing corresponding solutions to address them. However, spurious correlations arise from unobservable confounding factors, making it impractical to identify and address each one individually. To address this, we propose an intervention paradigm for representation space. Instead of tracking and blocking various instance-level spurious correlation one by one, we uniformly model them as a low-rank subspace and intervene in them. Specifically, we decompose spurious correlation features into a low-rank subspace via orthogonal low-rank projection, subsequently removing this subspace from the original representation and training its orthogonal complement to capture forgery-related features. This low-rank projection removal effectively eliminates spurious correlation factors, ensuring that classification decision is based on authentic forgery cues. With only 0.43M trainable parameters, our method achieves state-of-the-art performance across several benchmarks, demonstrating excellent robustness and generalization.
• Abstract（参考訳）: 一般化問題は、顔偽造検出において依然として重要な課題である。 いくつかの研究は、偽情報からラベルへの表現における「a backdoor path」がバイアス学習を誘導し、一般化を妨げることを発見している。 本稿では,これらの偽関連情報をまとめてスプリアス相関因子と呼ぶ。 従来の手法は主に、具体的な、特定の刺激的な相関を識別し、それに対応するソリューションを設計することに焦点を当てていた。 しかし、急激な相関は観測不能な共起因子から生じ、個々の因子を識別し対処することは不可能である。 そこで本研究では,表現空間に対する介入パラダイムを提案する。 様々なインスタンスレベルのスプリアス相関を1つずつ追跡・ブロックする代わりに、我々はそれらを低ランクのサブスペースとして一様にモデル化し、それらに介入する。 具体的には、直交低ランク射影により、スプリアス相関特徴を低ランク部分空間に分解し、その後、元の表現からこの部分空間を除去し、その直交補関数をトレーニングして、偽造関係の特徴を捕捉する。 この低ランクプロジェクション除去は、分類決定が真偽の手がかりに基づいていることを確実にする、刺激的な相関因子を効果的に除去する。 トレーニング可能なパラメータは0.43Mに過ぎず、いくつかのベンチマークで最先端のパフォーマンスを実現し、堅牢性と一般化性に優れた。

関連論文リスト

• Generative Classifiers Avoid Shortcut Solutions [84.23247217037134]
  分類に対する差別的なアプローチは、しばしば、分配されるが、小さな分布シフトの下で失敗するショートカットを学習する。 生成型分類器は、主にスパイラルな特徴ではなく、コアとスパイラルの両方の全ての特徴をモデル化することでこの問題を回避することができることを示す。 拡散型および自己回帰型生成型分類器は,5つの標準画像およびテキスト分散シフトベンチマークにおいて最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-12-31T18:31:46Z)
• Let Samples Speak: Mitigating Spurious Correlation by Exploiting the Clusterness of Samples [11.727747752958436]
  ディープラーニングモデルは、トレーニング中にクラスラベルと急激な相関関係を持つ機能を学ぶが、予測タスクとは無関係である。 既存の手法は通常、潜在的なスパイラルな属性を注釈付けしたり、経験的な仮定に基づいてスパイラルな特徴をフィルタリングすることでこの問題に対処する。 本稿では,深層学習モデルにおける突発的相関を緩和するデータ指向手法を提案する。
  論文  参考訳（メタデータ） (2025-12-28T10:54:51Z)
• Accept-Reject Lasso [5.465098504510676]
  ラッソ法は高度に相関した特徴の存在下で不安定性を示すことが知られている。 本稿では,このジレンマを解決する新しいアプローチであるAccept-Reject Lassoを紹介する。 ARLは、データサブセット間の機能選択のきめ細かい分析を通じて、Accept-Rejectフレームワークを運用する。
  論文  参考訳（メタデータ） (2025-08-06T17:13:27Z)
• A Sparsity Principle for Partially Observable Causal Representation Learning [28.25303444099773]
  因果表現学習は、知覚データから高レベルの因果変数を特定することを目的としている。 我々は、インスタンスに依存した部分的可観測パターンを持つデータセットから、未確認の観測から学ぶことに集中する。 提案手法は,推定された表現の間隔を小さくすることで,基礎となる因果変数を推定する2つの手法である。
  論文  参考訳（メタデータ） (2024-03-13T08:40:49Z)
• Causal Feature Selection via Transfer Entropy [59.999594949050596]
  因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。 本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。 精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
  論文  参考訳（メタデータ） (2023-10-17T08:04:45Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Disentanglement of Correlated Factors via Hausdorff Factorized Support [53.23740352226391]
  本稿では,因子分布ではなく,因子化支援を助長する緩やかな解離基準,HFS(Hausdorff Factorized Support)基準を提案する。 本研究では,HFSを用いることにより,様々な相関設定やベンチマークにおいて,接地構造因子の絡み合いと回復が一貫して促進されることを示す。
  論文  参考訳（メタデータ） (2022-10-13T20:46:42Z)
• Decorrelate Irrelevant, Purify Relevant: Overcome Textual Spurious Correlations from a Feature Perspective [47.10907370311025]
  自然言語理解(NLU)モデルは、散発的な相関(すなわちデータセットバイアス)に頼る傾向があり、分布内データセットでは高い性能を得るが、分布外データセットでは性能が劣る。 既存のデバイアス法のほとんどは、バイアスのある特徴を持つサンプルを識別し、弱めていることが多い。 サンプルの重み付けは、サンプルの偏りのない部分から学習する際のモデルを妨げる。 本稿では,特徴空間の観点から,微粒な方法でスプリアス相関を除去することを提案する。
  論文  参考訳（メタデータ） (2022-02-16T13:23:14Z)
• Learning Causal Models Online [103.87959747047158]
  予測モデルは、予測を行うためにデータの急激な相関に依存することができる。 強い一般化を達成するための一つの解決策は、モデルに因果構造を組み込むことである。 本稿では,突発的特徴を継続的に検出・除去するオンラインアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-12T20:49:20Z)

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。