論文の概要: Supervised Post-training of Speech Foundation Models for Robust Adaptation in Speech Deepfake Detection

• arxiv url: http://arxiv.org/abs/2606.25328v1
• Date: Wed, 24 Jun 2026 02:49:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 21:36:10.20561
• Title: Supervised Post-training of Speech Foundation Models for Robust Adaptation in Speech Deepfake Detection
• Title（参考訳）: 音声深度検出におけるロバスト適応のための音声基礎モデルの修正後学習
• Abstract要約: 局所的なスプーフ指向摂動を生成するための混合フレームポストトレーニング戦略を提案する。 ASVspoof5では、データ拡張なしで単一のモデルに対して最先端のEER 4.50%を達成する。
• 参考スコア（独自算出の注目度）: 5.246859535001993
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Large speech foundation models have shown strong potential for speech deepfake detection, but direct fine-tuning is limited by a mismatch between self-supervised pre-training objectives and spoof-specific artifacts. To address this, we propose a mix-frame post-training strategy to create localized spoof-oriented perturbations and use frame-level supervision to encourage the SSL model to learn local inconsistencies that are critical for robust spoof detection. On ASVspoof5, we achieve state-of-the-art EER 4.50% for a single model without data augmentation. On ASVspoof2021 LA/DF, it further achieves only 0.16\% absolute EER gap between LA and DF, indicating strong and balanced robustness across distinct distortion conditions. These results show that supervised post-training provides an effective and practical way to adapt speech foundation models for robust deepfake detection.
• Abstract（参考訳）: 大きな音声基礎モデルは、音声深度検出の強い可能性を示しているが、直接微調整は、自己教師付き事前学習目標とスプーフ固有の人工物とのミスマッチによって制限される。 そこで本研究では,局所的なスプーフ指向の摂動を生成するための混合フレームポストトレーニング戦略を提案し,フレームレベルの監視を用いて,堅牢なスプーフ検出に不可欠な局所的不整合の学習をSSLモデルに促す。 ASVspoof5では、データ拡張なしで単一のモデルに対して最先端のEER 4.50%を達成する。 ASVspoof2021 LA/DF では、LA と DF の間の絶対 EER ギャップは 0.16 % しかなく、異なる歪み条件における強靭性とバランスの取れたロバスト性を示している。 これらの結果から,教師付きポストトレーニングは,頑健なディープフェイク検出のための音声基礎モデルを適応するための効果的かつ実用的な方法であることがわかった。

関連論文リスト

• MS-MFAD : Multimodal large language models for Face Anti-spoofing Detection [25.077055201475442]
  顔検出のためのMFAD(Multimodal Large Language Models)を提案する。 MFADは、微細なピクセル・セマンティックアンカー機構により、マルチモーダル大言語モデルの本質的な推論機能を活性化する。 攻撃カテゴリごとに1,000の正確なマスクをアノテートすることで、我々はスプーフされた領域に厳密に対応するエビデンス連鎖を生成する。
  論文  参考訳（メタデータ） (2026-08-18T03:38:59Z)
• ReACT-CLIP: Response-Aware Test-Time Defense for Vision--Language Models [34.88445604400548]
  ReACT-CLIPは、各入力がどの程度強く修正されるべきか、防御介入が必要かを決定するテストタイムディフェンスである。 多様な攻撃タイプや強みにまたがって、相当な堅牢性向上を実現しますが、大部分はクリーンな正確さを保っています。
  論文  参考訳（メタデータ） (2026-08-02T08:06:45Z)
• Robustifying Vision-Language Models via Test-Time Prompt Adaptation [23.05168102474528]
  サンプルレベルの推定から分布レベルのアライメントに移行するテストtImeプロンプト・タダプテーションフレームワークであるRITAを提案する。 特に、RITAは、拡張視覚特徴の分布をテキストプロトタイプと整合させ、敵対的外乱を緩和し、モーダルな意味的不一致を是正するために最適なトランスポートを使用する。
  論文  参考訳（メタデータ） (2026-07-10T14:19:42Z)
• From AR to Diffusion: Efficiently Adapting Large Language Models with Strictly Causal and Elastic Horizons [74.25767873168745]
  拡散モデルは効率的な並列テキスト生成を約束するが、双方向の注意に依存し、事前訓練された自己回帰(AR)モデルによる構造的ミスマッチを生成する。 本稿では,ARバックボーンを拡散パラダイムに効率的に適応するフレームワークであるFLUIDを提案する。 実験により、FLUIDは訓練コストを桁違いに削減しつつ、最先端の性能を達成することが示された。
  論文  参考訳（メタデータ） (2026-04-11T13:18:27Z)
• OmniVL-Guard: Towards Unified Vision-Language Forgery Detection and Grounding via Balanced RL [63.388513841293616]
  既存の偽造検出手法は、現実世界の誤報に多いインターリーブされたテキスト、画像、ビデオを扱うのに失敗する。 このギャップを埋めるため,本論文では,オムニバス・ビジョン言語による偽造検出と接地のための統一フレームワークの開発を目標としている。 我々は、OmniVL-Guardという、オムニバス視覚言語による偽造検出と接地のためのバランスの取れた強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-11T09:41:36Z)
• Generalizable Speech Deepfake Detection via Information Bottleneck Enhanced Adversarial Alignment [48.73836179661632]
  信頼誘導対向アライメントは、識別的手がかりを消去することなく攻撃固有のアーティファクトを適応的に抑制する。 IB-CAANは、多くのベンチマークにおいて、ベースラインと最先端のパフォーマンスを一貫して上回る。
  論文  参考訳（メタデータ） (2025-09-28T03:48:49Z)
• Mixture of Low-Rank Adapter Experts in Generalizable Audio Deepfake Detection [5.277931896456617]
  基礎モデルは、音声ディープフェイク検出を含む音声タスクにおける表現学習に優れる。 本稿では,複数の低ランクアダプタをモデルのアテンション層に組み込んだLoRA-Expertsアプローチを提案する。 実験の結果,本手法はドメイン内シナリオとドメイン外シナリオの両方において,標準的な微調整よりも優れていた。
  論文  参考訳（メタデータ） (2025-09-17T10:13:58Z)
• Reliable Few-shot Learning under Dual Noises [166.53173694689693]
  そこで我々はDETA++(Denoized Task Adaptation)を提案する。 DETA++はメモリバンクを使用して、各インナータスククラスのクリーンなリージョンを格納し、精製する。 大規模な実験は、DETA++の有効性と柔軟性を示している。
  論文  参考訳（メタデータ） (2025-06-19T14:05:57Z)
• FADEL: Uncertainty-aware Fake Audio Detection with Evidential Deep Learning [9.960675988638805]
  顕在学習を用いた偽音声検出(FADEL)という新しいフレームワークを提案する。 FADELはモデルの不確実性を予測に組み込んでおり、OODシナリオではより堅牢なパフォーマンスを実現している。 本研究では,異なるスプーフィングアルゴリズム間の平均不確かさと等誤差率(EER)の強い相関関係を解析し,不確かさ推定の有効性を示す。
  論文  参考訳（メタデータ） (2025-04-22T07:40:35Z)
• Interpretable Temporal Class Activation Representation for Audio Spoofing Detection [7.476305130252989]
  我々は、wav2vec 2.0モデルと注意的発話レベルの特徴を利用して、解釈可能性を直接モデルのアーキテクチャに統合する。 ASVspoof 2019-LAセットのEERは0.51%、min t-DCFは0.0165である。
  論文  参考訳（メタデータ） (2024-06-13T05:36:01Z)
• Be Your Own Neighborhood: Detecting Adversarial Example by the Neighborhood Relations Built on Self-Supervised Learning [64.78972193105443]
  本稿では,予測に有効な新しいAE検出フレームワークを提案する。 AEの異常な関係と拡張バージョンを区別して検出を行う。 表現を抽出し、ラベルを予測するために、既製の自己監視学習(SSL)モデルが使用される。
  論文  参考訳（メタデータ） (2022-08-31T08:18:44Z)
• Attack Agnostic Dataset: Towards Generalization and Stabilization of Audio DeepFake Detection [0.4511923587827302]
  音声のディープフェイク検出法は, 優れた一般化と安定性を特徴とする。 本稿では,現状のDeepFake検出手法を徹底的に分析し,様々な音声特徴(フロントエンド)について考察する。 LFCC と mel-spectrogram のフロントエンドを用いたLCNN に基づくモデルを提案する。
  論文  参考訳（メタデータ） (2022-06-27T12:30:44Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。