論文の概要: Toward Calibrated, Fair, and accurate Deepfake Detection

• arxiv url: http://arxiv.org/abs/2606.09881v1
• Date: Wed, 03 Jun 2026 05:44:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:57.999141
• Title: Toward Calibrated, Fair, and accurate Deepfake Detection
• Title（参考訳）: 校正・公正・高精度なディープフェイク検出に向けて
• Authors: Ryan Brown, Chris Russell,
• Abstract要約: ディープフェイク検出器は人口集団間で大きなパフォーマンスギャップを示す。 既存の公正なアプローチは、人口統計ラベル、再訓練、あるいは犠牲の正確さを必要とする。 バイアス軽減のためのプラグアンドプレイフレームワークであるFace-Fairness(FF)を紹介する。
• 参考スコア（独自算出の注目度）: 5.183958775837362
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deepfake detectors show large performance gaps across demographic groups. Existing fairness approaches require demographic labels, retraining, or sacrifice accuracy. We introduce Face-Fairness (FF), a plug-and-play framework for bias mitigation. Our primary contribution, Face-Feature Tuning (FFT), is the first demographic label-free fairness method demonstrated for deepfake detection: a lightweight calibrator that performs a logit remapping conditioned on frozen face embeddings. We complement FFT with two variants: FF-Max, which maximizes worst-group accuracy when demographics are available, and FF-Discover, which does the same with embedding-discovered groups. Across in-domain and cross-dataset test settings, FF consistently reduces FPR/TPR gaps and improves minimum group accuracy while maintaining (often improving) overall accuracy. The approach is detector-agnostic, adds negligible runtime overhead, and requires no access to identity attributes.
• Abstract（参考訳）: ディープフェイク検出器は人口集団間で大きなパフォーマンスギャップを示す。 既存の公正なアプローチは、人口統計ラベル、再訓練、あるいは犠牲の正確さを必要とする。 バイアス軽減のためのプラグアンドプレイフレームワークであるFace-Fairness(FF)を紹介する。 私たちの主な貢献は、ディープフェイク検出のための最初の人口統計学的ラベルのないフェアネス法である、凍結した顔の埋め込みに条件付けされたロジットリマッピングを実行する軽量キャリブレータである。 FFTを2つの変種で補完する: FF-Max, 人口統計学的に最悪のグループ精度を最大化するFF-Discover。 ドメイン内およびデータセット間のテスト設定全体で、FFは一貫してFPR/TPRギャップを減らし、全体的な精度を維持(しばしば改善)しながら最小のグループ精度を向上させる。 このアプローチは検出非依存であり、無視可能なランタイムオーバーヘッドを追加し、ID属性へのアクセスを必要としない。

関連論文リスト

• Fair-FLIP: Fair Deepfake Detection with Fairness-Oriented Final Layer Input Prioritising [1.3348326328808557]
  ディープフェイク検出法は、民族や性別などの人口特性に偏りを示すことが多い。 フェアネス指向ファイナルレイヤ入力優先順位付け(Fair-FLIP)と呼ばれる新しい後処理手法を提案する。 また,Fair-FLIPは,基準値の精度を維持しつつ,最大30%の公正度を向上できることを示した。
  論文  参考訳（メタデータ） (2025-07-11T15:17:02Z)
• Thinking Racial Bias in Fair Forgery Detection: Models, Datasets and Evaluations [63.52709761339949]
  最初に、Fair Forgery Detection(FairFD)データセットと呼ばれる専用のデータセットをコントリビュートし、SOTA(Public State-of-the-art)メソッドの人種的偏見を証明する。 我々は、偽りの結果を避けることができる平均的メトリクスと実用正規化メトリクスを含む新しいメトリクスを設計する。 また,有効で堅牢な後処理技術であるBias Pruning with Fair Activations (BPFA)も提案する。
  論文  参考訳（メタデータ） (2024-07-19T14:53:18Z)
• Fairly Accurate: Fairness-aware Multi-group Target Detection in Online Discussion [8.812487330632282]
  本研究は,毒性検出の文脈における標的群検出の公平性に焦点をあてる。 毒性は非常に文脈的であるため、一般的に良性に見える言語は特定の集団を標的にすると有害である可能性がある。 提案手法は, フェアネスを意識したマルチターゲット群検出において, 競合予測性能を実現し, 既存のフェアネスを意識したベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-16T17:23:41Z)
• Minimax Optimal Fair Classification with Bounded Demographic Disparity [28.936244976415484]
  本稿では,2つの保護群による公正二項分類の統計的基礎について考察する。 有限サンプルを用いると、グループ固有の受容閾値を推定する必要があるため、追加のコストが発生することを示す。 オフセットを持つグループワイドしきい値法であるFairBayes-DDP+を提案する。
  論文  参考訳（メタデータ） (2024-03-27T02:59:04Z)
• Preserving Fairness Generalization in Deepfake Detection [14.485069525871504]
  ディープフェイク検出モデルは、人種や性別などの人口集団間で不公平なパフォーマンス格差をもたらす可能性がある。 本稿では,特徴,損失,最適化の両面を同時に考慮し,深度検出における公平性一般化問題に対処する手法を提案する。 本手法では, ゆがみ学習を用いて, 人口動態やドメインに依存しない特徴を抽出し, 平らな失われた風景を公平に学習することを奨励する。
  論文  参考訳（メタデータ） (2024-02-27T05:47:33Z)
• Fair-CDA: Continuous and Directional Augmentation for Group Fairness [48.84385689186208]
  公正な制約を課すための詳細なデータ拡張戦略を提案する。 グループ間の感性のある特徴の遷移経路のモデルを正規化することにより、グループフェアネスを実現することができることを示す。 提案手法はデータ生成モデルを仮定せず,精度と公平性の両方に優れた一般化を実現する。
  論文  参考訳（メタデータ） (2023-04-01T11:23:00Z)
• Chasing Fairness Under Distribution Shift: A Model Weight Perturbation Approach [72.19525160912943]
  まず,分布シフト,データ摂動,モデルウェイト摂動の関連性を理論的に検証した。 次に、ターゲットデータセットの公平性を保証するのに十分な条件を分析します。 これらの十分な条件により、ロバストフェアネス正則化(RFR)を提案する。
  論文  参考訳（メタデータ） (2023-03-06T17:19:23Z)
• On Comparing Fair Classifiers under Data Bias [42.43344286660331]
  本研究では,データ偏差の変化が公正分類器の精度と公平性に及ぼす影響について検討する。 我々の実験は、既存のフェアネスダッシュボードにデータバイアスリスクの尺度を統合する方法を示している。
  論文  参考訳（メタデータ） (2023-02-12T13:04:46Z)
• Balancing Biases and Preserving Privacy on Balanced Faces in the Wild [50.915684171879036]
  現在の顔認識(FR)モデルには、人口統計バイアスが存在する。 さまざまな民族と性別のサブグループにまたがる偏見を測定するために、我々のバランス・フェイススをWildデータセットに導入します。 真偽と偽のサンプルペアを区別するために1点のスコアしきい値に依存すると、最適以下の結果が得られます。 本稿では,最先端ニューラルネットワークから抽出した顔特徴を用いたドメイン適応学習手法を提案する。
  論文  参考訳（メタデータ） (2021-03-16T15:05:49Z)

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。