論文の概要: Architecture-Adaptive Uncertainty Fusion for Deepfake Detection

• arxiv url: http://arxiv.org/abs/2606.06666v1
• Date: Thu, 04 Jun 2026 19:28:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.417998
• Title: Architecture-Adaptive Uncertainty Fusion for Deepfake Detection
• Title（参考訳）: ディープフェイク検出のためのアーキテクチャ適応不確かさ融合
• Abstract要約: ディープフェイク検出システムはベンチマーク上でほぼ完璧な精度を達成するが、法医学的な展開は信頼性の高い予測の不確実性を要求する。 我々は,5つの相補的不確実性源を融合するアーキテクチャ適応型フレームワークである相関d Fusion(COF)を提案する。 COFは5モデルディープ・アンサンブルの20-45hに対し、モデル変更は必要とせず、重量最適化は42秒しか必要としなかった。
• 参考スコア（独自算出の注目度）: 0.9940728137241215
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deepfake detection systems achieve near-perfect accuracy on benchmarks, yet forensic deployment demands reliable prediction uncertainty. Existing uncertainty quantification (UQ) methods rely on single sources and ignore that optimal uncertainty composition varies across architectures. We propose Correlation-Optimized Fusion (COF), an architecture-adaptive framework that fuses five complementary uncertainty sources -- epistemic, aleatoric, calibration, conformal, and distributional -- by maximizing Pearson correlation between fused uncertainty scores and prediction errors via constrained optimization on the probability simplex. COF requires no model modifications and only 42 s of weight optimization, compared to 20--45 h for a 5-model Deep Ensemble. Evaluation across eleven architectures on FaceForensics++ reveals a fundamental trade-off: under matched train/evaluation protocol, non-linear methods achieve approximately 5--6% higher in-domain correlation than COF (mean r = 0.438), but this reverses under distribution shift. On CelebDF, COF outperforms Random Forest in 9/11 architectures with up to 7.3x higher correlation (MaxViT-B: r = 0.249 vs. 0.034); RF degrades 85% cross-domain to r = 0.071, whereas COF retains substantially more signal (74% drop to r = 0.116). Cross-dataset evaluation on CelebDF and DFDC reveals catastrophic generalization failure across all methods: in-domain correlations of 0.41--0.47 collapse to near-zero externally (mean degradation 90.7%), with seven of eleven architectures exhibiting uncertainty inversion. These results establish COF as a practical, interpretable framework for controlled-distribution deployment and identify domain-adaptive UQ as the central open challenge for forensic deployment.
• Abstract（参考訳）: ディープフェイク検出システムはベンチマーク上でほぼ完璧な精度を達成するが、法医学的な展開は信頼性の高い予測の不確実性を要求する。 既存の不確実性定量化(UQ)法は単一の情報源に依存し、最適な不確実性組成がアーキテクチャによって異なることを無視する。 本研究では, 相補的不確実性源であるエピステミック, アレタリック, キャリブレーション, コンフォメーション, 分布の5つを融合するアーキテクチャ適応型フレームワークである相関最適化融合(COF)を提案する。 COFは5モデルディープ・アンサンブルの20-45hに対し、モデル変更は必要とせず、重量最適化は42秒しか必要としなかった。 マッチしたトレイン/評価プロトコルの下では、非線形メソッドはCOF(平均 r = 0.438)よりも約5-6%高いドメイン相関を達成するが、これは分散シフトの下で逆になる。 CelebDFでは、COFは最大7.3倍の相関(MaxViT-B: r = 0.249 vs. 0.034)を持つ9/11アーキテクチャでランダムフォレストを上回り、RFは85%のクロスドメインをr = 0.071に格下げし、COFはそれよりはるかに多くの信号を保持する(r = 0.116まで74%減少)。 CelebDFとDFDCのクロスデータセット評価では、ドメイン内相関の0.41-0.47がほぼゼロの外部(平均分解率90.7%)に崩壊し、11のアーキテクチャのうち7つは不確実な逆転を示した。 これらの結果から,COF を制御分散デプロイメントの実践的で解釈可能なフレームワークとして確立し,ドメイン適応型 UQ を法医学的展開の鍵となるオープンチャレンジとして同定した。

関連論文リスト

• Governed Human-AI Prioritization Under Uncertainty: Adaptive Estimation and Dependency-Constrained Portfolio Selection [0.0]
  AIネイティブなソフトウェアエンジニアリングは、人間の判断、過去のアナロジー、パラメトリック推定、AI生成予測を、同じ優先順位決定の中で組み合わさりつつある。 ビジネスバリュースコア(BVS)、Effort and Risk Score(ERS)、優先順位付け値スコア(PVS)、集合スコア(CCS)、最適開発パス(ODP)の5つの量演算子について検討する。
  論文  参考訳（メタデータ） (2026-09-09T14:04:37Z)
• Towards Robust Training in NNGPT AutoML Pipeline: A Loss-Optimizer Pairing Selection Study [48.83701310501069]
  本稿では, 一つのレシピがヘテロジニアスなアーキテクチャプールに十分であるか, 最適ペアリングが構造的に多様なモデルによって異なるかを検討する。 我々は,CEL(Cross-Entropy),NLL(Negative Log-Likelihood),および最近導入された遺伝学的に進化したNGL損失を,LEMURヘテロジニアス・アーキテクチャー・プールの6つの画像分類データセット上に提示したベースモデル間で比較検討した。 我々の結果は、単一のペアリングが普遍的に最適でないことを確認した。AdamやAdamWとのクロスエントロピーは、最も堅牢な選択である。
  論文  参考訳（メタデータ） (2026-06-18T20:51:42Z)
• Error-Decomposed Class-Conditional Fusion for Statistically Guaranteed Hard-Category Robust Perception [3.4563147061792527]
  本稿では,この普及する脆弱性をHCRP(Hard-Category Reliability Problem)として公式に定義する。 本稿では,エレガントな決定層推論フレームワークであるED-CCFを提案する。
  論文  参考訳（メタデータ） (2026-05-17T18:39:05Z)
• Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
  大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。 個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。 構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
  論文  参考訳（メタデータ） (2026-05-15T17:08:27Z)
• RADMI: Latent Information Aggregation as a Proxy for Model Uncertainty [12.261505821589452]
  セグメンテーションネットワークにおけるデコーダ層間の相互情報を測定することにより,予測の不確かさを推定するシングルパス手法を提案する。 RADMIは,すべてのシングルパス方式において,深いアンサンブルの不確実性と高い相関を達成している。 この結果から,正規化情報フローの線形集約は,エンコーダ・デコーダアーキテクチャにおける予測の不確実性に対して,原理的かつ効率的なプロキシを提供する可能性が示唆された。
  論文  参考訳（メタデータ） (2026-05-02T15:49:25Z)
• Differentiable latent structure discovery for interpretable forecasting in clinical time series [38.473526928012724]
  連続時間多タスクガウス過程であるStructGPを導入し, 基本的不確かさを保ちながら, 相違構造学習と相違構造学習を組み合わせ, 相互依存の有向非巡回グラフ(DAG)を導出する。 LP-StructGPは,被験者特異的カップリングフィルタとソフトマックスゲーティング機構を用いて,患者間の進行パターンを捉えることで,StructGPを潜在経路に分割し,時間的に変化する軌跡を増大させる。
  論文  参考訳（メタデータ） (2026-04-30T14:59:50Z)
• Predictive Entropy Links Calibration and Paraphrase Sensitivity in Medical Vision-Language Models [2.064612766965483]
  我々は,MedGemma 4BITの分布MIMIC CXRと外分布PadChest chest X ray データセットの5つの不確実性定量化手法を示し,LLaVA RAD7Bのクロスアーキテクチャ検証を行った。 うまく校正された単一モデル法では、一方のフォワードパスからの予測エントロピーは、メドジェマのAUROC 0.711、LLaVARAD p 10 4の0.878、信頼できないと敏感な予測の両方を1つのエントロピーしきい値でフラグ付けることができる。
  論文  参考訳（メタデータ） (2026-04-10T04:18:47Z)
• Severe Domain Shift in Skeleton-Based Action Recognition:A Study of Uncertainty Failure in Real-World Gym Environments [0.0]
  本稿では,新しいGym2DデータセットとUCF101データセットを用いて,厳しい領域シフトの体系的研究を行う。 我々の研究は、標準的なデプロイメント仮定に挑戦し、セマンティックスケルトン認識と幾何学的スケルトン認識の両方のデプロイの安全性を原則として分析する。
  論文  参考訳（メタデータ） (2026-03-16T17:37:17Z)
• FedEU: Evidential Uncertainty-Driven Federated Fine-Tuning of Vision Foundation Models for Remote Sensing Image Segmentation [40.79057922854245]
  フェデレートイメージセグメンテーション(RSIS)が注目されている。 我々は、明らかな不確実性によって駆動される微調整RSISモデルのためのフレームワークであるFedEUを紹介する。
  論文  参考訳（メタデータ） (2026-03-08T05:11:03Z)
• Optimizing Chain-of-Thought Confidence via Topological and Dirichlet Risk Analysis [3.4324137096523746]
  チェーン・オブ・シークレットのプロンプトにより、大規模言語モデルは複雑な問題を解決することができる。 既存の手法では、誤った予測に対するキャリブレーションの低下と深刻な過信に悩まされている。 複数の推論経路にまたがる信頼度を測定するために,拡張ディリクレ・トポロジーリスク(EDTR)を提案する。
  論文  参考訳（メタデータ） (2025-11-09T16:09:02Z)
• Accurate and Reliable Predictions with Mutual-Transport Ensemble [46.368395985214875]
  Kullback-Leibler (KL) を用いた共学習補助モデルの提案とクロスエントロピー損失の適応的正則化 MTEは精度と不確実性の両方を同時に向上させることができる。 例えば、CIFAR-100データセットでは、我々のResNet34/50上のMTEメソッドは、従来の最先端の手法に比べて大幅に改善された。
  論文  参考訳（メタデータ） (2024-05-30T03:15:59Z)
• MixedNUTS: Training-Free Accuracy-Robustness Balance via Nonlinearly Mixed Classifiers [41.56951365163419]
  MixedNUTSは、ロバストな分類器の出力ロジットを3つのパラメータしか持たない非線形変換で処理する訓練不要の手法である。 MixedNUTSは変換されたロジットを確率に変換し、それらを全体の出力として混合する。 CIFAR-10、CIFAR-100、ImageNetデータセットでは、MixedNUTSの精度とほぼSOTAの堅牢性を大幅に改善した。
  論文  参考訳（メタデータ） (2024-02-03T21:12:36Z)

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。