論文の概要: Interpretable facial dynamics as behavioral and perceptual traces of deepfakes

• arxiv url: http://arxiv.org/abs/2604.21760v1
• Date: Thu, 23 Apr 2026 15:07:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.673008
• Title: Interpretable facial dynamics as behavioral and perceptual traces of deepfakes
• Title（参考訳）: ディープフェイクの行動的・知覚的痕跡としての解釈的顔力学
• Authors: Timothy Joseph Murphy, Jennifer Cook, Hélio Clemente José Cuve,
• Abstract要約: 本研究は,顔面動態の生体行動特性を基盤とした解釈可能な代替法を提案する。 これらの特徴に基づいて訓練された従来の機械学習分類器は、わずかながら重要な特徴を極端に上回るディープフェイク分類に到達した。 モデル決定と人間の知覚的検出との関係を評価することによって、説明可能性に関する追加的かつ見落とされがちな次元を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deepfake detection research has largely converged on deep learning approaches that, despite strong benchmark performance, offer limited insight into what distinguishes real from manipulated facial behavior. This study presents an interpretable alternative grounded in bio-behavioral features of facial dynamics and evaluates how computational detection strategies relate to human perceptual judgments. We identify core low-dimensional patterns of facial movement, from which temporal features characterizing spatiotemporal structure were derived. Traditional machine learning classifiers trained on these features achieved modest but significant above-chance deepfake classification, driven by higher-order temporal irregularities that were more pronounced in manipulated than real facial dynamics. Notably, detection was substantially more accurate for videos containing emotive expressions than those without. An emotional valence classification analysis further indicated that emotive signals are systematically degraded in deepfakes, explaining the differential impact of emotive dynamics on detection. Furthermore, we provide an additional and often overlooked dimension of explainability by assessing the relationship between model decisions and human perceptual detection. Model and human judgments converged for emotive but diverged for non-emotive videos, and even where outputs aligned, underlying detection strategies differed. These findings demonstrate that face-swapped deepfakes carry a measurable behavioral fingerprint, most salient during emotional expression. Additionally, model-human comparisons suggest that interpretable computational features and human perception may offer complementary rather than redundant routes to detection.
• Abstract（参考訳）: ディープフェイク検出の研究は、強力なベンチマーク性能にもかかわらず、操作された顔の振る舞いと本当の区別について限られた洞察を提供するディープラーニングアプローチに大きく収束している。 本研究は, 顔力学の生物行動特性を基盤とした解釈可能な代替手段を提案し, 人間の知覚的判断と計算検出戦略がどのように関連しているかを評価する。 顔の動きの中核の低次元パターンを同定し,時空間構造を特徴付ける時間的特徴を導出した。 これらの特徴に基づいて訓練された従来の機械学習分類器は、実際の顔力学よりも操作で顕著な高次時間的不規則性によって駆動される、控えめだが重要な上層深度分類を実現した。 特に、感情表現を含まないビデオでは、検出がかなり正確だった。 感情的原子価分類分析により、感情的信号はディープフェイクで系統的に劣化し、感情的ダイナミクスが検出に与える影響を説明できた。 さらに、モデル決定と人間の知覚的検出との関係を評価することにより、説明可能性に関する追加的かつしばしば見過ごされる次元を提供する。 モデルと人間の判断は、動機のないビデオに収束するが、アウトプットが一致している場合でも、基礎となる検出戦略が異なる。 以上の結果から,顔に洗顔したディープフェイクは,感情表現において最も顕著な,計測可能な行動指紋を有することが明らかとなった。 さらに、モデルと人間の比較は、解釈可能な計算特徴と人間の知覚が、検出への冗長な経路よりも補完的な経路を提供する可能性があることを示唆している。

関連論文リスト

• An Explainable Fast Deep Neural Network for Emotion Recognition [1.3108652488669732]
  本研究では、映像解析による感情分類の枠組みにおける二元的ディープニューラルアーキテクチャの説明可能性手法について検討する。 我々は、感情的な感覚の中で重要な顔のランドマークの動きを理解するために、革新的な説明可能な人工知能アルゴリズムを採用している。
  論文  参考訳（メタデータ） (2024-07-20T12:59:08Z)
• Investigating Human-Identifiable Features Hidden in Adversarial Perturbations [54.39726653562144]
  我々の研究では、最大5つの攻撃アルゴリズムを3つのデータセットにわたって探索する。 対人摂動における人間の識別可能な特徴を同定する。 画素レベルのアノテーションを用いて、そのような特徴を抽出し、ターゲットモデルに妥協する能力を実証する。
  論文  参考訳（メタデータ） (2023-09-28T22:31:29Z)
• An Inter-observer consistent deep adversarial training for visual scanpath prediction [66.46953851227454]
  本稿では,軽量なディープニューラルネットワークによるスキャンパス予測のための,サーバ間一貫した対向トレーニング手法を提案する。 我々は、最先端の手法に関して、我々のアプローチの競争力を示す。
  論文  参考訳（メタデータ） (2022-11-14T13:22:29Z)
• CIAO! A Contrastive Adaptation Mechanism for Non-Universal Facial Expression Recognition [80.07590100872548]
  本稿では、顔エンコーダの最後の層に異なるデータセットの特定の感情特性を適応させるメカニズムであるContrastive Inhibitory Adaptati On(CIAO)を提案する。 CIAOは、非常にユニークな感情表現を持つ6つの異なるデータセットに対して、表情認識性能が改善されている。
  論文  参考訳（メタデータ） (2022-08-10T15:46:05Z)
• Guiding Visual Attention in Deep Convolutional Neural Networks Based on Human Eye Movements [0.0]
  ディープ畳み込みニューラルネットワーク(DCNN)は、当初は生物学的ビジョンの原理にインスパイアされていた。 近年のディープラーニングの進歩は、この類似性を減らしているようだ。 有用なモデルを得るための純粋にデータ駆動型アプローチについて検討する。
  論文  参考訳（メタデータ） (2022-06-21T17:59:23Z)
• Affect-DML: Context-Aware One-Shot Recognition of Human Affect using Deep Metric Learning [29.262204241732565]
  既存の方法は、すべての関心の感情に注釈付きトレーニングの例として優先順位が与えられると仮定している。 我々は、文脈における感情のワンショット認識を概念化し、単一のサポートサンプルからより細かい粒子レベルの人間の影響状態を認識することを目的とした新しい問題である。 モデルの全変種は、ランダムなベースラインよりも明らかに優れており、セマンティックシーンのコンテキストを活用することで、学習された表現を一貫して改善している。
  論文  参考訳（メタデータ） (2021-11-30T10:35:20Z)
• Preserving Privacy in Human-Motion Affect Recognition [4.753703852165805]
  本研究は,3次元の時間的関節信号と手動抽出特徴を用いた感情認識における既存手法の有効性を評価する。 本稿では,マルチエンコーダ自動エンコーダ深層ニューラルネットワークを訓練し,人間の動作特徴の不連続な潜在表現を学習するクロスサブジェクトトランスファー学習手法を提案する。
  論文  参考訳（メタデータ） (2021-05-09T15:26:21Z)
• Emotion pattern detection on facial videos using functional statistics [62.997667081978825]
  顔面筋運動の有意なパターンを抽出する機能的ANOVAに基づく手法を提案する。 感情群間の表現に時間的差があるかどうかを関数fテストを用いて判定する。
  論文  参考訳（メタデータ） (2021-03-01T08:31:08Z)
• Unsupervised Behaviour Analysis and Magnification (uBAM) using Deep Learning [5.101123537955207]
  運動行動分析は、運動障害とその介入による変化を特定する非侵襲的戦略を提供する。 偏差の検出と拡大による挙動解析のための自動深層学習アルゴリズムであるuBAM(Unsupervised Behavior Analysis and magnification)について紹介する。 中心となる側面は姿勢と行動表現の教師なし学習であり、運動の客観的比較を可能にする。
  論文  参考訳（メタデータ） (2020-12-16T20:07:36Z)
• Continuous Emotion Recognition via Deep Convolutional Autoencoder and Support Vector Regressor [70.2226417364135]
  マシンはユーザの感情状態を高い精度で認識できることが不可欠である。 ディープニューラルネットワークは感情を認識する上で大きな成功を収めている。 表情認識に基づく連続的感情認識のための新しいモデルを提案する。
  論文  参考訳（メタデータ） (2020-01-31T17:47:16Z)

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。