論文の概要: The Calibrated Deepfake Trust Score (CDTS): Competence-Coupled Trust Degradation Across Deepfake Detectors

• arxiv url: http://arxiv.org/abs/2606.29484v1
• Date: Sun, 28 Jun 2026 16:29:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.938813
• Title: The Calibrated Deepfake Trust Score (CDTS): Competence-Coupled Trust Degradation Across Deepfake Detectors
• Title（参考訳）: Calibrated Deepfake Trust Score: Competence-Coupled Trust Degradation Across Deepfake Detectors
• Authors: Md Anas Biswas,
• Abstract要約: Calibrated Deepfake Trust Score (CDTS) は、ディープフェイク検出のための自己監査型トラストである。 我々の中心的な発見はコンピテンス・校正結合であり、検出器の識別能力が低下するにつれて分解する。 我々は、検出器の信頼性は、共有ドライバーとしての能力によって組織され、能力は見積もりと条件づけの正しい量であり、信頼スコアは能力に注意する必要があると論じている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern deepfake detectors are rarely consumed as bare classifiers. In moderation, provenance, and verification pipelines their output probability is read as a degree of trust, so its calibration matters as much as raw accuracy. We reframe deepfake detection as a calibrated, self-auditing trust instrument, the Calibrated Deepfake Trust Score (CDTS), and identify what governs its trustworthiness. Our central finding is a competence-calibration coupling: the calibration of the trust score degrades as the detector's discriminative competence falls. We establish it across 32 configurations (pooled Pearson r = -0.81), demonstrate it within a single dataset, reinforce it by inducing low competence directly, and replicate it on a fourth held-out dataset the detectors never trained on. It holds across three architecturally distinct detectors, two convolutional networks and a CLIP vision transformer (r = -0.88, -0.83, -0.86). The result is also deployable: a single calibrator frozen on in-domain data fails on exactly the low-competence generators the coupling flags (its error tracks competence at r = -0.98), and competence is estimable without labels, so a label-free monitor flags calibration risk on unseen generators and routing source-batches on a reference-free competence estimate lowers overall AURC and improves the low-to-mid coverage operating region relative to confidence-based routing. The same competence factor also drives calibration inequity across demographic subgroups (distinct from accuracy inequity) and explanation faithfulness. We therefore argue that detector trustworthiness is organized by competence as a shared driver, that competence is the right quantity to estimate and condition on, and that trust scoring must be competence-aware. We offer the CDTS wrapper as the mechanism, and report openly where the unification is tight and where it is architecture-specific.
• Abstract（参考訳）: 現代のディープフェイク検出器は裸の分類器として消費されることは滅多にない。 モデレーション、証明、検証パイプラインでは、その出力確率は信頼度として読み取られ、キャリブレーションは生の精度と同じくらいに重要である。 私たちは、Deepfake検出を、キャリブレーションされた自己監査型トラストであるCDTS(Calibrated Deepfake Trust Score)として再編成し、その信頼性を支配するものを特定します。 信頼スコアの校正は、検出器の識別能力が低下するにつれて低下する。 我々は32の構成(Pearson r = -0.81)にまたがってそれを確立し、単一のデータセット内でそれを実証し、低コンピテンスを直接誘導して強化し、検出器が訓練したことのない第4のホールドアウトデータセットでそれを再現する。 3つのアーキテクチャ上の異なる検出器、2つの畳み込みネットワーク、およびCLIPビジョン変換器(r = -0.88, -0.83, -0.86)にまたがる。 ドメイン内のデータに凍結された単一のキャリブレータは、結合フラグ(r = -0.98のエラートラックコンピテンス)の正確なローコンピテンス・ジェネレータではフェールし、ラベルなしではコンピテンスを推定できるため、ラベルのないモニターフラグは、参照なしコンピテンス推定で未確認のジェネレータやルーティングソースバッチのキャリブレーションリスクを調整し、AURC全体を下げ、信頼ベースのルーティングと比較して低中間のカバレッジ操作領域を改善する。 同じ能力係数は、人口統計群全体の校正不等式(精度不等式とは異なる)と説明忠実性も引き起こす。 したがって、検出器の信頼性は、共有ドライバとしての能力によって組織され、能力は見積もりと条件づけに適しており、信頼スコアは能力に注意する必要がある、と我々は主張する。 我々はCDTSラッパーをそのメカニズムとして提供し、統一が密接な場所とアーキテクチャ固有の場所をオープンに報告する。

関連論文リスト

• False Sense of Safety in Selective Signal Classification: Auditing Bound Tightness and Exchangeability for Risk Control [6.3999417080764225]
  分布自由リスク制御による選択的な予測では、キャリブレーションドローに対する信頼度1-deltaでは、受け入れられた入力のエラー率は、ユーザ予算のアルファ値以下である。 我々はこの約束を、機械異常音検出(ASD)とAI生成画像鑑定という信号領域検出器で監査する。
  論文  参考訳（メタデータ） (2026-06-13T06:48:50Z)
• Discovery of Hidden Miscalibration Regimes [52.452902154360565]
  モデルは何らかの入力を体系的に過信し、他人を過信することがある。 対応する誤校正分野を定義し,それを推定するための診断フレームワークを提案する。 提案手法は,入力空間のキャリブレーションを意識した表現を学習し,学習幾何学におけるカーネルの平滑化による符号付き局所的誤校正を推定する。
  論文  参考訳（メタデータ） (2026-05-13T13:07:50Z)
• CADMAS-CTX: Contextual Capability Calibration for Multi-Agent Delegation [0.0]
  CADMAS-CTXはコンテキストキャリブレーションのためのフレームワークである。 階層的なコンテキスト能力プロファイルは、静的なスキルレベルの信頼性をコンテキスト条件の後方に置き換える。 GAIAとSWE-benchベンチマークを用いて,本手法の有効性を実証的に検証した。
  論文  参考訳（メタデータ） (2026-04-20T08:30:28Z)
• Label-Free Detection of Governance Evidence Degradation in Risk Decision Systems [0.0]
  不正検出・信用スコアリングにおけるリスク決定システムは、構造ラベルが存在しない状態で運用される。 既存のフレームワークは、ドリフト検出とガバナンスエビデンス評価と運用対応を統合していません。 本稿では,ガバナンスドリフトツールキットのラベルフリーガバナンス監視拡張について述べる。
  論文  参考訳（メタデータ） (2026-04-20T05:46:15Z)
• Trusted Uncertainty in Large Language Models: A Unified Framework for Confidence Calibration and Risk-Controlled Refusal [31.458406135473805]
  異種不確実性証拠を正当性の校正確率に変換する統一フレームワークUniCRを提案する。 UniCRは、温度スケーリングと適切なスコアリングを備えた軽量なキャリブレーションヘッドを学習する。 ショートフォームQA、実行テスト付きコード生成、検索強化ロングフォームQAの実験は、キャリブレーションメトリクスの一貫性のある改善を示している。
  論文  参考訳（メタデータ） (2025-09-01T13:14:58Z)
• ConfTuner: Training Large Language Models to Express Their Confidence Verbally [58.63318088243125]
  大規模言語モデル(LLM)は、科学、法律、医療といった高度な領域にますます展開されている。 LLMは、しばしば「過信」(overconfidence)として知られる、高い信頼で誤った答えを生成するために観察される。
  論文  参考訳（メタデータ） (2025-08-26T09:25:32Z)
• Beyond calibration: estimating the grouping loss of modern neural networks [68.8204255655161]
  適切なスコアリングルール理論は、キャリブレーション損失が与えられた場合、個々のエラーを特徴づける欠片がグループ化損失であることを示している。 視覚およびNLPにおける現代のニューラルネットワークアーキテクチャは、特に分散シフト設定においてグループ化損失を示す。
  論文  参考訳（メタデータ） (2022-10-28T07:04:20Z)
• Probabilistic Ranking-Aware Ensembles for Enhanced Object Detections [50.096540945099704]
  本稿では,検知器から箱を囲むことの信頼性を向上するPRAE(Probabilistic Ranking Aware Ensemble)という新しいアンサンブルを提案する。 また,異なる数の箱を扱う必要性によって生じる信頼の不均衡問題に対処するためのbanditアプローチも導入する。
  論文  参考訳（メタデータ） (2021-05-07T09:37:06Z)
• Distribution-free binary classification: prediction sets, confidence intervals and calibration [106.50279469344937]
  分布自由条件における二項分類のための不確実性定量化(キャリブレーション、信頼区間、予測セット)の3つの概念について検討する。 固定幅と一様質量の両双対の双対確率に対する信頼区間を導出する。 我々の「三脚」定理の結果として、双有理確率に対するこれらの信頼区間は分布自由キャリブレーションに繋がる。
  論文  参考訳（メタデータ） (2020-06-18T14:17:29Z)

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。