論文の概要: Why Fake ? Unveiling the Semantic Vocabulary of Deepfake Detectors

• arxiv url: http://arxiv.org/abs/2607.07216v1
• Date: Wed, 08 Jul 2026 09:56:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.347511
• Title: Why Fake ? Unveiling the Semantic Vocabulary of Deepfake Detectors
• Title（参考訳）: なぜフェイクか? ディープフェイク検知器のセマンティックな語彙
• Authors: Vazgken Vanian, Alexandros Doumanoglou, Dimitris Zarpalas,
• Abstract要約: ディープフェイク(DF)技術は情報の完全性に重大な脅威をもたらす。 DF検出器は、入力が本物か偽かのバイナリラベルを予測することのみを考える。 本研究では、最先端のブラックボックスDF検出器を解析するために、ポストホック説明可能なAI(XAI)の使用について検討する。
• 参考スコア（独自算出の注目度）: 42.085941481155295
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deepfake (DF) technology poses a significant threat to information integrity, driving the need for robust detection methods. Most DF detectors only consider predicting a binary label for whether the input is real or fake, lacking the justification required for real-world applications like legal proceedings. Explainable DF Detection has emerged to address this limitation, but existing techniques frequently fall short by either relying on human annotations for precise artifact localization or generating superficially plausible textual explanations without grounding. This work investigates the use of post-hoc explainable AI (XAI) to analyze the decision-making process of state-of-the-art black-box DF detectors. Specifically, we employ Encoding-Decoding Direction Pairs (EDDP), a technique suitable for uncovering the concept space of DF detectors (their semantic vocabulary) as well as the mechanism for writing and reading concept information to and from internal representations. Our analysis reveals previously hidden real and fake features learned implicitly during detector training, offering nuanced explanations unattainable through conventional methods. This enables global model understanding, spatially aware concept localization, and counterfactual what-if analysis, all contributing to a deeper comprehension of DF detection strategies.
• Abstract（参考訳）: ディープフェイク(DF)技術は情報完全性に重大な脅威をもたらし、堅牢な検出方法の必要性を喚起する。 ほとんどのDF検出器は、入力が本物なのか偽物なのかをバイナリラベルで予測することのみを検討しており、法的手続きのような現実世界のアプリケーションに必要な正当化を欠いている。 説明可能なDF検出は、この制限に対処するために現れたが、既存のテクニックは、正確なアーティファクトローカライゼーションのための人間のアノテーションに頼るか、接地することなく、表面的に妥当なテキスト記述を生成することによって、しばしば不足する。 本研究では、最先端のブラックボックスDF検出器の意思決定過程を分析するために、ポストホック説明可能なAI(XAI)の使用について検討する。 具体的には、EDDP(Encoding-Decoding Direction Pairs)という、DF検出器の概念空間(セマンティック語彙)の解明に適した手法と、概念情報を内部表現へ書き読み込むメカニズムを採用している。 我々の分析では、検出器訓練中に暗黙的に学習された、以前に隠されていた実と偽の特徴を明らかにし、従来の方法では達成不可能な説明を提供する。 これにより、グローバルなモデル理解、空間的に認識された概念のローカライゼーション、および反ファクトリアルなWhat-if分析が可能になり、これらすべてがDF検出戦略のより深い理解に寄与する。

関連論文リスト

• Semantic-Aware Advanced Persistent Threat Detection Using Autoencoders on LLM-Encoded System Logs [0.7611870296994722]
  Advanced Persistent Threats(APT)は、最も困難なサイバー攻撃のひとつだ。 従来の統計手法と浅い機械学習技術は、しばしばそれらを検出するのに失敗する。 本稿では,セマンティック埋め込みを利用した新しい異常検出手法を提案する。
  論文  参考訳（メタデータ） (2026-01-30T12:38:12Z)
• RAIDX: A Retrieval-Augmented Generation and GRPO Reinforcement Learning Framework for Explainable Deepfake Detection [32.48195434906769]
  RAIDXはRetrieval-Augmented Generation (RAG)とGroup Relative Policy Optimization (GRPO)を統合した新しいディープフェイク検出フレームワークである。 RAGは、検出精度を向上させるために外部知識を取り入れ、GRPOを使用して、詳細なテキスト説明とサリエンシマップを自律的に生成する。 複数のベンチマークの実験では、RAIDXが実または偽の識別に有効であることを示し、テキスト記述と正当性マップの両方に解釈可能な有理性を提供する。
  論文  参考訳（メタデータ） (2025-08-06T15:08:16Z)
• AuthGuard: Generalizable Deepfake Detection via Language Guidance [39.18916434250689]
  既存のディープフェイク検出技術は、進化し続ける新しい、目に見えない偽造手法に追いつくのに苦労している。 言語指導を取り入れることで、ディープフェイク検出の一般化を改善することができる。 我々は、識別的分類と画像テキストのコントラスト学習を組み合わせることで、専門的なディープフェイク視覚エンコーダを訓練する。
  論文  参考訳（メタデータ） (2025-06-04T22:50:07Z)
• TextSleuth: Towards Explainable Tampered Text Detection [49.88698441048043]
  本稿では,大規模なマルチモーダルモデルを用いて,自然言語による改ざんテキスト検出の基礎を説明する。 このタスクのデータギャップを埋めるため,大規模な包括的データセットETTDを提案する。 GPT4oで高品質な異常記述を生成するために、共同クエリが導入された。 低品質なアノテーションを自動的にフィルタリングするために、GPT4oに改ざんされたテキストを認識するよう促すことも提案する。
  論文  参考訳（メタデータ） (2024-12-19T13:10:03Z)
• DF40: Toward Next-Generation Deepfake Detection [62.073997142001424]
  既存の研究は、ある特定のデータセットで検出器をトレーニングし、他の一般的なディープフェイクデータセットでテストすることで、トップノーチ検出アルゴリズムとモデルを識別する。 しかし、これらの「勝者」は現実の世界に潜む無数の現実的で多様なディープフェイクに取り組むために真に応用できるのだろうか? 我々は,40の異なるディープフェイク技術からなるDF40という,高度に多様なディープフェイク検出データセットを構築した。
  論文  参考訳（メタデータ） (2024-06-19T12:35:02Z)
• XAI-Based Detection of Adversarial Attacks on Deepfake Detectors [0.0]
  我々は,XAIを用いたディープフェイク検出器に対する敵攻撃を識別するための新しい手法を提案する。 本手法は, ディープフェイクの検出だけでなく, 敵攻撃の可能性に対する理解の向上にも寄与する。
  論文  参考訳（メタデータ） (2024-03-05T13:25:30Z)
• 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)
• Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
  ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。 既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。 本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-07-31T10:22:33Z)

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。