論文の概要: When AUC Misleads: Polarization-Aware Evaluation of Deepfake Detectors under Domain Shift

• arxiv url: http://arxiv.org/abs/2606.19184v1
• Date: Wed, 17 Jun 2026 15:24:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.239186
• Title: When AUC Misleads: Polarization-Aware Evaluation of Deepfake Detectors under Domain Shift
• Title（参考訳）: AUCの誤解:ドメインシフトによるディープフェイク検知器の偏光認識評価
• Authors: Dat Nguyen, Cosmin Radoi, Romain Hermary, Marcella Astrid, Nesryne Mejri, Enjie Ghorbel, Djamila Aouada,
• Abstract要約: ディープフェイク検出は活発な研究領域となり、最近の手法は目に見えない操作に対する一般化の改善に焦点を当てている。 本稿では,ドメインごとのAUCを予測偏光量で平均化するクロスデータセットAUC(Cross-AUC)を提案する。 クロスAUCは、ドメインシフト下でのディープフェイク検出器の一般化能力をより現実的に評価するだけでなく、性能低下の背景にある理由を説明するために解釈可能である。
• 参考スコア（独自算出の注目度）: 20.13000766160115
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent advances in generative AI, such as diffusion models and face-swapping tools, have enabled the creation of highly realistic deepfakes, leading to real-world harms including financial fraud and non-consensual explicit content. In response, deepfake detection has become an active research area, with recent methods increasingly focusing on improving generalization to unseen manipulations. This is typically evaluated using the Area Under the ROC Curve (AUC) measured separately across multiple datasets. However, such an evaluation fails to reflect real-world scenarios where detectors face a mixture of data sources and varying artifact types. To address this limitation, we introduce a novel metric, Cross-dataset AUC (Cross-AUC) that averages per-domain AUCs with a measure of prediction polarization for taking into account the robustness to domain shift. The polarization extent is quantified by the Wasserstein Distance between class score distributions. Cross-AUC not only assesses the generalization capabilities of deepfake detectors under domain shifts more realistically, but it is also interpretable as it better explains the reason behind a drop in performance. Experiments performed on seven benchmark datasets demonstrate its practical relevance.
• Abstract（参考訳）: 拡散モデルやフェイススワッピングツールなどのジェネレーティブAIの最近の進歩は、非常に現実的なディープフェイクの作成を可能にし、金融詐欺や非合意的明示的コンテンツを含む現実世界の害につながった。 これに対し、ディープフェイク検出は活発な研究領域となり、最近の手法では、目に見えない操作に対する一般化の改善に重点を置いている。 これは典型的には、複数のデータセットで別々に測定されたROC曲線(AUC)に基づいて評価される。 しかし、そのような評価は、検出器がデータソースとさまざまなアーティファクトタイプを混在する現実世界のシナリオを反映することができない。 この制限に対処するために、ドメインごとのAUCを平均化するクロスデータセットAUC(Cross-AUC)を導入し、ドメインシフトに対する堅牢性を考慮した予測偏極の測定を行った。 偏光度は、クラススコア分布間のワッサーシュタイン距離によって定量化される。 クロスAUCは、ドメインシフト下でのディープフェイク検出器の一般化能力をより現実的に評価するだけでなく、性能低下の背景にある理由を説明するために解釈可能である。 7つのベンチマークデータセットで実施された実験は、その実用的妥当性を示している。

関連論文リスト

• Rethinking Cross-Domain Evaluation for Face Forgery Detection with Semantic Fine-grained Alignment and Mixture-of-Experts [22.1146135455996]
  既存のフェースフォージェリ検出器は、データセット間の一般化能力の低下のため、満足のいく性能を達成できない。 データセットペア間でAUCを計算可能な評価指標である textbfCross-AUC を提案する。 また,新しいフレームワーク textbfSemantic textbfFine-fine textbfAlignment と textbfMixture-of-Experts を提案する。
  論文  参考訳（メタデータ） (2026-04-23T09:39:33Z)
• DDL: A Large-Scale Datasets for Deepfake Detection and Localization in Diversified Real-World Scenarios [51.916287988122406]
  本稿では,$textbf1.4M+$forgedサンプルを含む大規模ディープフェイク検出およびローカライゼーション(textbfDDL)データセットを提案する。 我々のDDLは、複雑な現実世界の偽造のより困難なベンチマークを提供するだけでなく、次世代のディープフェイク検出、ローカライゼーション、解釈可能性メソッドを構築するための重要なサポートも提供しています。
  論文  参考訳（メタデータ） (2025-06-29T15:29:03Z)
• Towards Open-world Generalized Deepfake Detection: General Feature Extraction via Unsupervised Domain Adaptation [15.737902253508235]
  ソーシャルプラットフォームには大量のラベルのない合成データと本物のデータが溢れている。 オープンワールドのシナリオでは、ラベルなしデータの量はラベル付きデータよりもはるかに多い。 我々は,既存の手法の一般化能力を向上させるために,新しいオープンワールドディープフェイク検出一般化訓練戦略(OWG-DS)を提案する。
  論文  参考訳（メタデータ） (2025-05-18T10:12:12Z)
• Cross-Branch Orthogonality for Improved Generalization in Face Deepfake Detection [43.2796409299818]
  ディープフェイクは法執行機関や一般大衆にとって迷惑になっている。 既存のディープフェイク検出器は、ディープフェイク生成のペースの改善に追随するのに苦労している。 本稿では,粗い空間情報,意味情報,それらの相互作用を活用する新しい戦略を提案する。
  論文  参考訳（メタデータ） (2025-05-08T01:49:53Z)
• Cross-Domain Learning for Video Anomaly Detection with Limited Supervision [12.290352736331602]
  ビデオ異常検出(VAD)は、監視ビデオにおけるセキュリティ脅威などの異常事象の識別を自動化する。 既存のドメイン間VADメソッドは教師なし学習に重点を置いており、結果として実世界の期待に届かないパフォーマンスをもたらす。 本稿では, 予測バイアスを推定し, 予測不確実性を用いて学習を適応的に最小化することにより, トレーニング中に外部データを組み込んだ, クロスドメイン学習(CDL)の枠組みを新たに導入する。
  論文  参考訳（メタデータ） (2024-08-09T17:28:29Z)
• DACAD: Domain Adaptation Contrastive Learning for Anomaly Detection in Multivariate Time Series [83.76994646443498]
  時系列異常検出では、ラベル付きデータの不足が正確なモデルの開発に困難をもたらす。 時系列における異常検出のための新しいドメインコントラスト学習モデル(DACAD)を提案する。 本モデルでは,ソース領域に対する教師付きコントラスト損失と,ターゲット領域に対する自己監督型コントラスト型3重項損失を用いる。
  論文  参考訳（メタデータ） (2024-04-17T11:20:14Z)
• CrossDF: Improving Cross-Domain Deepfake Detection with Deep Information Decomposition [53.860796916196634]
  クロスデータセットディープフェイク検出(CrossDF)の性能を高めるためのディープ情報分解(DID)フレームワークを提案する。 既存のディープフェイク検出方法とは異なり、我々のフレームワークは特定の視覚的アーティファクトよりも高いレベルのセマンティック特徴を優先する。 顔の特徴をディープフェイク関連情報と無関係情報に適応的に分解し、本質的なディープフェイク関連情報のみを用いてリアルタイム・フェイク識別を行う。
  論文  参考訳（メタデータ） (2023-09-30T12:30:25Z)
• On Improving Cross-dataset Generalization of Deepfake Detectors [1.0152838128195467]
  ディープフェイクによる顔の操作は、大きなセキュリティリスクを引き起こし、深刻な社会的懸念を引き起こしている。 我々は、教師付きおよび強化学習(RL)のハイブリッド組み合わせとして深層偽検出を定式化し、そのクロスデータセット一般化性能を改善する。 提案手法は,ディープフェイク検出器のクロスデータセット一般化における既存の研究よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-08T20:34:53Z)
• Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation [62.29076080124199]
  本稿では,クロスドメインオブジェクト検出のための特徴適応手法を提案する。 粗粒度では、アテンション機構を採用して前景領域を抽出し、その辺縁分布に応じて整列する。 粒度の細かい段階では、同じカテゴリのグローバルプロトタイプと異なるドメインとの距離を最小化することにより、前景の条件分布アライメントを行う。
  論文  参考訳（メタデータ） (2020-03-23T13:40:06Z)

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。