論文の概要: Dual-Branch Gated Fusion for Open-Set Audio Deepfake Source Tracing
- arxiv url: http://arxiv.org/abs/2606.10223v1
- Date: Mon, 08 Jun 2026 22:22:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-10 15:40:58.215101
- Title: Dual-Branch Gated Fusion for Open-Set Audio Deepfake Source Tracing
- Title（参考訳）: オープンセットオーディオディープフェイク音源追跡のためのデュアルブランチGated Fusion
- Authors: Awais Khan, Kutub Uddin, Khalid Malik,
- Abstract要約: 66次元ディスクリプタであるCORESとXLSR-53を組み合わせたデュアルブランチゲート融合フレームワークを提案する。
MLAADのベンチマークでは、このシステムは97.6%のID精度、4.9%のEERc、83.5%の相対的なFPR95をInterspeech 2025ベースラインで削減した。
- 参考スコア（独自算出の注目度）: 2.657233098224094
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Attributing a synthetic utterance to its originating system remains an open challenge: closed-set models fail to reject unseen synthesizers and produce overconfident predictions. To address this, we propose a dual-branch gated fusion framework that pairs XLSR-53 with CORES, a 66-dimensional descriptor that, unlike prior Linear Filter Bank (LFB)-only work, spans cepstral, oscillatory, rhythmic, energy, and spectral dimensions to capture complementary synthesis artifacts. Our analysis shows XLSR-53 remains discriminative in-domain (ID) while CORES generalizes stably under distribution shift (OOD), yet their naive concatenation fails due to SSL representational imbalance. To resolve this, an input-conditioned gate adaptively weights each branch under joint training with cross-entropy, an energy margin loss for ID/OOD separation, and a gate diversity term. On the MLAAD benchmark, our system achieves 97.6\% ID accuracy, 4.9\% EERc, and an 83.5\% relative FPR95 reduction over the Interspeech 2025 baseline.
- Abstract（参考訳）: クローズドセットモデルは、目に見えないシンセサイザーを拒絶し、自信過剰な予測を生成するのに失敗する。
そこで本研究では,XLSR-53とCORESを組み合わせた二重分岐ゲート融合フレームワークを提案する。従来の線形フィルタバンク (LFB) とは違い,ケプストラム,振動,リズミカル,エネルギー,およびスペクトル次元にまたがって,相補的な合成アーティファクトを捕捉する66次元記述子である。
我々の分析では、XLSR-53はドメイン内(ID)のままであり、CORESは安定して分布シフト(OOD)で一般化するが、SSL表現の不均衡により、それらの結合は失敗する。
これを解決するために、入力条件付きゲートは、クロスエントロピー、ID/OOD分離のためのエネルギマージン損失、ゲートダイバーシティ項によるジョイントトレーニング中の各ブランチを適応的に重み付けする。
MLAADのベンチマークでは、このシステムは97.6\%のID精度、4.9\%のEERc、および83.5\%のFPR95をInterspeech 2025ベースラインに還元する。
関連論文リスト
- Closed-Form Spectral Regularization for Multi-Task Model Merging [96.82449201305234]
モデルマージは、個別に調整された複数の専門家をトレーニングデータなしで単一のマルチタスクモデルに結合する。
State-of-the-art merging method formulate merging as a layer-wise interference problem。
本稿では,逐次降下の勾配-流路に一致するソフト指数フィルタを組み合わせた閉形式手法SWUDIを提案する。
論文 参考訳（メタデータ） (2026-06-05T14:00:47Z) - Reusing Fusion-Time Spectral Reliability for Adaptive Fusion and Expert Routing in RGB-Infrared Object Detection [0.0]
パラメータフリーで7次元のスペクトル信頼性記述子を抽出する。
バンドエネルギー、振幅比、位相整合性、および相互モード相関を記述します。
本研究では, 拡散時間信頼性を明示的な信号として保存することは, 適応的融合と後核融合条件計算の両方に有効であることを示す。
論文 参考訳（メタデータ） (2026-05-31T11:28:41Z) - A Penalty-Free Pipeline for Direct Quantum-Annealer Portfolio Optimization [0.0]
直接量子アニーラーポートフォリオ最適化は、一般にD-Waveハードウェアに送信されるペナルティ符号化QUBOとして定式化される。
この標準定式化は、現在のデバイスでは失敗し、構造的理由を特定する。
期待したリターンから目的のみのQUBOを構築し、それをハードウェア上でサンプリングする。
論文 参考訳（メタデータ） (2026-05-17T19:50:04Z) - Aletheia: Physics-Conditioned Localized Artifact Attention (PhyLAA-X) for End-to-End Generalizable and Robust Deepfake Video Detection [0.0]
局所的アーティファクト注意(LAA-X)を物理条件で拡張したPhyLAAA-Xについて紹介する。
PhyLAA-Xは、光フローカール、スペクトル反射、空間的上昇をLAA-Xの注意に注入する。
これによりネットワークはセマンティックな矛盾や物理的違反が共起する境界を学習せざるを得なくなる。
論文 参考訳（メタデータ） (2026-04-13T08:14:50Z) - Relational Preference Encoding in Looped Transformer Internal States [0.0]
ループ変換器は内部の反復状態においてどのように人間の嗜好を符号化するかを検討する。
繰り返し洗練された2.6Bパラメータループ変換器であるOuro-2.6B-Thinkingを用いて,各ループ繰り返しから隠れた状態を抽出する。
我々は、HH-RLHFデータセット上で人間の嗜好を予測するために軽量評価器ヘッドを訓練する。
我々のペアワイズ評価器は8,552個の未確認例に対して95.2%の精度を達成し、ベースモデルは完全に凍結されている間に全バッチのL-BFGSプローブ(84.5%)を上回った。
論文 参考訳（メタデータ） (2026-04-10T20:00:49Z) - WS-Net: Weak-Signal Representation Learning and Gated Abundance Reconstruction for Hyperspectral Unmixing via State-Space and Weak Signal Attention Fusion [6.0621081081000385]
ハイパースペクトル画像における弱スペクトル応答は、支配的なエンドメンバーとセンサーノイズによってしばしば無視される。
本稿では、弱い信号の崩壊に対処するために設計されたディープ・アンミックス・フレームワークであるWS-Netを紹介する。
このフレームワークは低SNR条件下では安定な精度を維持しており、特に弱いエンドメンバーに対して有効である。
論文 参考訳（メタデータ） (2026-03-10T00:12:33Z) - Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。
本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。
9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
論文 参考訳（メタデータ） (2026-02-09T22:48:30Z) - SKANet: A Cognitive Dual-Stream Framework with Adaptive Modality Fusion for Robust Compound GNSS Interference Classification [47.20483076887704]
グローバルナビゲーション衛星システム(GNSS)は、洗練された妨害による脅威の増大に直面している。
時間周波数画像(TFI)とパワースペクトル密度(PSD)を統合した2重ストリームアーキテクチャに基づく認知的ディープラーニングフレームワークを提案する。
SKANetは96.99%の精度を達成し、複合妨害分類において優れたロバスト性を示した。
論文 参考訳（メタデータ） (2026-01-19T07:42:45Z) - Rectified Diffusion Guidance for Conditional Generation [94.83538269086613]
CFGの背後にある理論を再検討し、不適切な組合せ係数(textiti.e.)が生成分布を期待的にシフトさせることを厳密に確認する。
提案手法は, 強みを考慮すれば, textbftextitform ソリューションが有効であることを示す。
実世界のデータに関する実証的な証拠は、我々の設計と既存の最先端拡散モデルとの整合性を実証している。
論文 参考訳（メタデータ） (2024-10-24T13:41:32Z) - Two-pass Decoding and Cross-adaptation Based System Combination of
End-to-end Conformer and Hybrid TDNN ASR Systems [61.90743116707422]
本稿では,ハイブリッドTDNNとConformer E2E ASRシステムのためのマルチパス再構成とクロスアダプティブに基づくシステムの組み合わせについて検討する。
NIST Hub5'00、Rt03、Rt02の評価データに対して、マルチパス再構成を用いて得られた最良の組み合わせシステムにより、統計的に有意な単語誤り率(WER)が2.5%から3.9%の絶対値(22.5%から28.9%の相対値)に低下した。
論文 参考訳（メタデータ） (2022-06-23T10:17:13Z) - Towards a Competitive End-to-End Speech Recognition for CHiME-6 Dinner
Party Transcription [73.66530509749305]
本稿では,難しい場合であっても,ハイブリッドベースラインに近い性能を示すエンドツーエンドアプローチについて論じる。
CTC-Attention と RNN-Transducer のアプローチと RNN と Transformer のアーキテクチャを比較し,解析する。
RNN-Transducerをベースとしたベストエンド・ツー・エンドモデルでは、ビームサーチの改善とともに、LF-MMI TDNN-F CHiME-6 Challengeのベースラインよりも品質が3.8%向上した。
論文 参考訳（メタデータ） (2020-04-22T19:08:33Z)
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。