論文の概要: Detecting Deepfakes via Hamiltonian Dynamics

• arxiv url: http://arxiv.org/abs/2605.04405v1
• Date: Wed, 06 May 2026 01:55:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.598233
• Title: Detecting Deepfakes via Hamiltonian Dynamics
• Title（参考訳）: ハミルトンダイナミクスによるディープフェイクの検出
• Abstract要約: 本稿では,静的パターン認識から動的安定性解析へ移行するディープフェイク検出の新しい視点を提案する。 私たちのアプローチは、物理学にインスパイアされた先駆者によって動機付けられています。 Hamiltonian Action Anomaly Detection (HAAD) は、最先端のベースラインの評価に優れる。
• 参考スコア（独自算出の注目度）: 58.881686693914446
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Driven by the rapid development of generative AI models, deepfake detectors are compelled to undergo periodic recalibration to capture newly developed synthetic artifacts. To break this cycle, we propose a new perspective on deepfake detection: moving from static pattern recognition to dynamical stability analysis. Specifically, our approach is motivated by physics-inspired priors: we hypothesize that natural images, as products of dissipative physical processes, tend to settle near stable, low-energy equilibria. In contrast, generative models optimize for statistical similarity to real images but do not explicitly enforce structural constraints such as geometric smoothness, leaving deepfakes more likely to occupy unstable, high-energy states. To operationalize this, we introduce Hamiltonian Action Anomaly Detection (HAAD), comprising three contributions: \textbf{i)} We model the image latent manifold as a potential energy surface. Under this hypothesis, real images are expected to produce basin-like low-energy responses, whereas fake images are more likely to induce high-potential, high-gradient responses. \textbf{ii)} We employ Hamiltonian-inspired dynamics as a stability probe. By releasing latent states from rest, samples near stable regions remain bounded, while high-gradient samples produce larger trajectory responses. \textbf{iii)} We quantify these dynamic behaviors through two trajectory statistics, \ie, Hamiltonian action and energy dissipation. Extensive experiments show that HAAD outperforms evaluated state-of-the-art baselines on challenging cross-dataset transfer benchmarks, supporting a physics-inspired stability prior for digital forensics.
• Abstract（参考訳）: 生成AIモデルの迅速な開発によって、ディープフェイク検出器は、新しく開発された人工的なアーティファクトを捕獲するために定期的に再校正される。 このサイクルを断ち切るために,静的パターン認識から動的安定性解析へ移行するディープフェイク検出の新しい視点を提案する。 自然のイメージは、散逸する物理過程の産物として、安定で低エネルギーの平衡付近に落ち着く傾向にある、という仮説を立てる。 対照的に、生成モデルは実際の画像と統計的類似性を最適化するが、幾何学的滑らかさのような構造的制約を明示的に強制することはなく、ディープフェイクは不安定で高エネルギーな状態を占有する可能性が高い。 これを運用するために、ハミルトニアンアクション異常検出(HAAD)を導入し、以下の3つの寄与を含む: \textbf{i} 潜在多様体をポテンシャルエネルギー曲面としてモデル化する。 この仮説の下では、実際の画像は盆地のような低エネルギーの反応を生じさせるが、偽のイメージは高い電位、高勾配の反応を誘発する可能性が高い。 安定プローブとしてハミルトニアンに着想を得た力学を用いる。 静止状態からの潜伏状態の放出により、安定な領域付近のサンプルは束縛され、高勾配のサンプルはより大きな軌道応答を生成する。 \textbf{iii} これらの動的挙動を2つの軌道統計学、すなわちシャイ、ハミルトニアン作用、エネルギー散逸を通じて定量化する。 大規模な実験により、HAADは、デジタル法医学に先立って物理学にインスパイアされた安定性をサポートするため、クロスデータセット転送ベンチマークの挑戦に対して最先端のベースラインを評価する。

関連論文リスト

• Gradient descent at the Edge of Stability: free energy model and kinetic description of the two-layer network [0.0]
  安定状態のエッジにおける勾配降下のダイナミクスについて検討する。 平均軌道の進化を追跡する連続時間有効モデルを提案する。 この方程式は、マクロ自由エネルギーのワッサーシュタイン2勾配流と解釈できる。
  論文  参考訳（メタデータ） (2026-06-03T18:11:33Z)
• Forecasting Continuous Non-Conservative Dynamical Systems in SO(3) [51.510040541600176]
  コンピュータビジョンにおける移動物体の回転をモデル化するための新しい手法を提案する。 我々のアプローチは、入力ノイズに対して頑健でありながら、エネルギーと運動量保存に非依存である。 トレーニング中の雑音状態から物体のダイナミクスを近似させることで、シミュレーションや様々な現実世界の設定において頑健な外挿能力が得られる。
  論文  参考訳（メタデータ） (2025-08-11T09:03:10Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Physics-aware generative models for turbulent fluid flows through energy-consistent stochastic interpolants [0.0]
  生成モデルは、テキスト、画像、ビデオなどの領域で顕著な成功を収めている。 本研究では, 生成モデルの流体力学への応用, 特に乱流シミュレーションについて検討する。 本稿では,物理制約を取り入れつつ確率的予測を可能にする補間子に基づく新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-04-08T09:29:01Z)
• Integrating Fourier Neural Operators with Diffusion Models to improve Spectral Representation of Synthetic Earthquake Ground Motion Response [0.0]
  原子炉施設は、強震動による動的負荷に耐えるように設計されなければならない。 本研究では,人工地動を生成するためのAI物理に基づくアプローチを提案する。 以上の結果から,このような手法が生成した人工地震計の現実性を高めることが示唆された。
  論文  参考訳（メタデータ） (2025-04-01T13:08:09Z)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)
• Robust Dynamic Radiance Fields [79.43526586134163]
  動的放射場再構成法は動的シーンの時間変化構造と外観をモデル化することを目的としている。 しかし、既存の手法では、正確なカメラポーズをStructure from Motion (SfM)アルゴリズムによって確実に推定できると仮定している。 カメラパラメータとともに静的および動的放射場を共同で推定することにより、このロバスト性問題に対処する。
  論文  参考訳（メタデータ） (2023-01-05T18:59:51Z)
• SyMetric: Measuring the Quality of Learnt Hamiltonian Dynamics Inferred from Vision [73.26414295633846]
  最近提案されたモデルのクラスは、高次元観測から潜在力学を学習しようと試みている。 既存の手法は画像再構成の品質に依存しており、学習した潜在力学の質を常に反映しているわけではない。 我々は、基礎となるハミルトン力学が忠実に捕獲されたかどうかのバイナリ指標を含む、一連の新しい尺度を開発する。
  論文  参考訳（メタデータ） (2021-11-10T23:26:58Z)
• Heteroscedastic Uncertainty for Robust Generative Latent Dynamics [7.107159120605662]
  本稿では,潜在状態表現と関連するダイナミクスを協調的に学習する手法を提案する。 我々の主な貢献として、我々の表現がヘテロスセダスティックあるいは入力固有の不確実性の概念を捉えることができるかを説明します。 画像に基づく2つのタスクの予測と制御実験の結果を示す。
  論文  参考訳（メタデータ） (2020-08-18T21:04:33Z)

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。