論文の概要: Detecting Deception, Not Deepfakes: Why Media Forensics Needs Social Theories

• arxiv url: http://arxiv.org/abs/2605.09007v1
• Date: Sat, 09 May 2026 15:46:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 14:57:11.512094
• Title: Detecting Deception, Not Deepfakes: Why Media Forensics Needs Social Theories
• Title（参考訳）: ディープフェイクではなく虚偽を検知する:なぜメディアの法医学は社会理論を必要とするのか
• Abstract要約: ディープフェイク検出は、音声またはビデオクリップが与えられた場合に、それが本物か合成的であるかを判断する分類タスクとしてフレーム化されている。 合成メディアのより優れた分類器は、特にビデオ通話や音声通話における偽造のようなインタラクティブなディープフェイクにおいて、この問題を解決できないと我々は主張する。 人工物に基づく検出が依存する5つの仮定を特定し、生成モデルの改善に伴って5つすべてが侵食されていることを示す。
• 参考スコア（独自算出の注目度）: 5.5150683027141945
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: For nearly a decade, deepfake detection has been framed as a classification task: given an audio or video clip, decide whether it is real or synthetic. Top detectors often report high accuracy on standard benchmarks; however, performance drops sharply on content from newer or unseen generators. We argue that better classifiers of synthetic media alone will not solve this problem, especially for interactive deepfakes such as impersonation in video and voice calls, where the harm lies not in the artifact (manipulated media signal) but in the act of deception. Deepfake detection therefore requires a complementary analytical layer focused on communicative interaction, not just media realism. We identify five assumptions that artifact-based detection (the forensic analysis of low-level signal traces) relies on and show that all five are eroding as generative models improve, producing what we call the Generalization Illusion. To address this, we draw on three well-established frameworks from philosophy of language and social psychology, namely, Speech Act Theory, Grice's Cooperative Principle, and Cialdini's principles of influence, to examine forensic signals at three levels: the utterance, the conversation, and the listener response. The result is a unified framework that complements existing forensic methods. We close with open problems for future work. https://jesseeho.github.io/deepfake-deception/
• Abstract（参考訳）: 10年近くにわたって、ディープフェイク検出は分類タスクとして扱われてきた。 上位検出器は、しばしば標準ベンチマークで高い精度を報告するが、新しいまたは見えないジェネレータからのコンテンツによって性能が著しく低下する。 合成メディアのより優れた分類器は、特にビデオや音声通話における偽造のようなインタラクティブなディープフェイクでは、人工物(操作されたメディア信号)には害がなく、偽造行為にも影響しない、と我々は主張する。 したがってディープフェイク検出には、メディアリアリズムだけでなく、コミュニケーションの相互作用に焦点を当てた補完的な分析層が必要である。 我々は、人工物に基づく検出(低レベルの信号トレースの法医学的分析)が依存する5つの仮定を特定し、生成モデルの改善に伴って5つ全てが侵食され、一般化イリュージョンと呼ばれるものを生み出していることを示す。 これを解決するために、言語哲学と社会心理学の確立した3つの枠組み、すなわち、音声行為理論、グリスの共同原理、シアルディーニの影響力原理から、発話、会話、リスナー応答の3つのレベルにおいて法医学的信号を調べる。 その結果、既存の法医学的手法を補完する統一的なフレームワークとなった。 私たちは将来の仕事のためにオープンな問題に近づきます。 https://jesseeho.github.io/deepfake-deception/

関連論文リスト

• Listening Deepfake Detection: A New Perspective Beyond Speaking-Centric Forgery Analysis [12.060274776566223]
  聴取深度検出(LDD)の課題について述べる。 我々は,聴取者の映像の微妙な動きの不整合を捉えた動き認識・音声誘導ネットワークMANetを提案する。 我々の研究は、従来の話し中心のパラダイムを超えてディープフェイク検出を再考する必要性を強調している。
  論文  参考訳（メタデータ） (2026-04-14T12:20:07Z)
• ActivityForensics: A Comprehensive Benchmark for Localizing Manipulated Activity in Videos [62.94038307981723]
  ビデオ中の操作されたアクティビティをローカライズするための,最初の大規模ベンチマークであるActivityForensicsを紹介する。 6K以上のビデオセグメントが含まれており、ビデオコンテキストにシームレスにブレンドされている。 ActivityForensicsに基づいて、ドメイン内、クロスドメイン、オープンワールド設定をカバーする包括的な評価プロトコルを導入する。
  論文  参考訳（メタデータ） (2026-04-04T18:00:05Z)
• Seeing Before Reasoning: A Unified Framework for Generalizable and Explainable Fake Image Detection [58.82268659497348]
  この失敗の根源は、根本的なミスマッチにある、と私たちは主張する。 本稿では,偽画像検出のための汎用的で説明可能な,会話型アシスタントであるForensic-Chatを提案する。
  論文  参考訳（メタデータ） (2025-09-29T20:59:19Z)
• SEPSIS: I Can Catch Your Lies -- A New Paradigm for Deception Detection [8.823923683853815]
  本研究は, 心理学のレンズを通して, 騙しの問題を探究するものである。 そこで本研究では,NLP技術を利用した偽造検出のための新しいフレームワークを提案する。 我々は、微調整言語モデルのデータレスマージを利用した、新しいマルチタスク学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2023-12-01T02:13:25Z)
• Audio-Visual Person-of-Interest DeepFake Detection [77.04789677645682]
  本研究の目的は、現実世界で遭遇する様々な操作方法やシナリオに対処できるディープフェイク検出器を提案することである。 我々は、対照的な学習パラダイムを活用して、各アイデンティティに対して最も識別しやすい、移動面と音声セグメントの埋め込みを学習する。 本手法は,シングルモダリティ(オーディオのみ,ビデオのみ)とマルチモダリティ(オーディオビデオ)の両方を検出でき,低品質・低画質ビデオに対して堅牢である。
  論文  参考訳（メタデータ） (2022-04-06T20:51:40Z)
• Does Audio Deepfake Detection Generalize? [6.415366195115544]
  我々は、関連する作業からアーキテクチャを再実装し、一様に評価することで、音声スプーフィング検出をシステム化する。 有名人や政治家のオーディオ録音を37.9時間記録したデータセットを新たに公開し、そのうち17.2時間がディープフェイクである。 これは、コミュニティがASVSpoofベンチマークに近づきすぎており、ディープフェイクが以前考えられていたよりもラボ外で検出するのがずっと難しいことを示唆しているかもしれない。
  論文  参考訳（メタデータ） (2022-03-30T12:48:22Z)
• Watch Those Words: Video Falsification Detection Using Word-Conditioned Facial Motion [82.06128362686445]
  本稿では,安価なディープフェイクと視覚的に説得力のあるディープフェイクの両方を扱うためのマルチモーダルな意味法医学的アプローチを提案する。 帰属という概念を利用して、ある話者と他の話者を区別する個人固有の生体パターンを学習する。 既存の個人固有のアプローチとは異なり、この手法は口唇の操作に焦点を当てた攻撃にも有効である。
  論文  参考訳（メタデータ） (2021-12-21T01:57:04Z)
• Lips Don't Lie: A Generalisable and Robust Approach to Face Forgery Detection [118.37239586697139]
  LipForensicsは、操作の一般化と様々な歪みに耐えられる検出アプローチである。 視覚的音声認識(リリーディング)を行うために、初めて時間ネットワークを事前訓練する。 その後、リアルタイムおよび偽造データの固定された口埋め込みに時間的ネットワークを微調整し、低レベルな操作固有のアーティファクトに過度に適合することなく、口の動きに基づいて偽のビデオを検出する。
  論文  参考訳（メタデータ） (2020-12-14T15:53:56Z)
• "Notic My Speech" -- Blending Speech Patterns With Multimedia [65.91370924641862]
  音声認識と理解における視点依存と視覚的重要性の両方をモデル化するための視点時間的注意機構を提案する。 提案手法は, ビセム誤差率において, 既存の作業よりも4.99%優れていた。 モデルでは,多視点音声に対する理解と人間の知覚との間に強い相関関係があることが示されている。
  論文  参考訳（メタデータ） (2020-06-12T06:51:55Z)

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。