論文の概要: What You Train Is What You Get: Gender Bias, Training Composition, and Post-Hoc Mitigation in Audio Deepfake Detection
- arxiv url: http://arxiv.org/abs/2607.09891v1
- Date: Fri, 10 Jul 2026 18:29:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.239649
- Title: What You Train Is What You Get: Gender Bias, Training Composition, and Post-Hoc Mitigation in Audio Deepfake Detection
- Title（参考訳）: オーディオディープフェイク検出におけるジェンダーバイアス、トレーニングコンポジション、ホック後の緩和
- Abstract要約: ASVspoof5データセットを用いたディープフェイク検出における性別バイアスについて検討した。
我々は、性別構成の異なる9つの訓練セットで攻撃特化モデルを訓練する。
トレーニングデータ構成は, バイアス方向を強く予測し, 未表現の性別がテスト時に悪化していることが判明した。
- 参考スコア（独自算出の注目度）: 1.8315988392353102
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Audio deepfake detection models determine whether speech is genuine or artificially generated, but high overall accuracy can mask substantial performance disparities across demographic groups. In this work, we investigate gender bias in audio deepfake detection using the ASVspoof5 dataset. We use ASVspoof5 under a controlled custom split designed to isolate gender-composition effects. We train attack-specific models on nine training sets with different gender compositions, ranging from female-only to male-only. We use a ResNet18 classifier with LogSpectrogram and WavLM-Base+ features, and we evaluated six post-hoc threshold calibration methods. Experimental results show that training data composition strongly predicts bias direction, with the underrepresented gender performing worse at test time. WavLM-Base+ features are shown to produce gender performance gaps 3.0 to 4.3 times larger than LogSpectrogram under identical training conditions, and balanced training is found to reduce LogSpectrogram bias but leave WavLM bias largely intact. Moreover, all six calibration strategies, including Oracle calibration with full test-set label access, leave the Equal Error Rate gap unchanged at 1.317 pp, confirming that threshold adjustment cannot correct underlying score distribution disparities. Overall, these findings suggest that gender fairness in audio deepfake detection must be addressed at training time, as post-hoc methods can only partially mitigate the resulting disparities
- Abstract（参考訳）: 音声のディープフェイク検出モデルは、音声が本物か人工的に生成されているかを決定するが、全体的な精度は、人口統計群間でのかなりのパフォーマンス格差を隠蔽することができる。
本研究では,ASVspoof5データセットを用いたディープフェイク検出における性別バイアスについて検討する。
ASVspoof5は、性別構成効果を分離するカスタムスプリットとして使用される。
我々は、性別構成の異なる9つの訓練セットで、女性専用から男性専用まで、攻撃特化モデルを訓練する。
我々はLogSpectrogram と WavLM-Base+ 機能を備えた ResNet18 分類器を用い,6 つのポストホックしきい値校正法を評価した。
実験結果から, トレーニングデータ構成は, 偏差方向を強く予測し, 未表現の性別が試験時間に悪くなることが示唆された。
WavLM-Base+の機能は、同じトレーニング条件下で、LogSpectrogramよりも3.0～4.3倍大きな性差を生じる。
さらに、Oracleのキャリブレーションと完全なテストセットラベルアクセスを含む6つのキャリブレーション戦略は、Equal Error Rateギャップを1.317 ppに残し、しきい値調整が基礎となるスコア分布の差を補正できないことを確認している。
以上の結果から,オーディオディープフェイク検出におけるジェンダーフェアネスは訓練時に対処する必要があることが示唆された。
関連論文リスト
- Towards Trustworthy Audio Deepfake Detection: A Systematic Framework for Diagnosing and Mitigating Gender Bias [2.000890150701116]
対象緩和に先立ってバイアス源を識別する第1の診断ファーストフレームワークを提案する。
診断の結果, バイアスはトレーニングデータの不均衡が原因ではなく, 音響的表現差によるものであることが示唆された。
性別ごとに別々に決定しきい値を調整することで、不公平さを54%から75%削減できる。
論文 参考訳（メタデータ） (2026-05-09T17:53:04Z) - Gender Fairness in Audio Deepfake Detection: Performance and Disparity Analysis [2.000890150701116]
我々は,音声ディープフェイク検出モデルにおいて,ジェンダー依存のパフォーマンスと公平性について,徹底的に分析を試みた。
以上の結果から,男女間のEER差が小さくても,公平性を考慮した評価では,誤差分布の相違が明らかとなった。
この研究は、より公平で堅牢で信頼性の高いオーディオディープフェイク検出システムを開発する上で、公平性を考慮した評価の重要性を強調している。
論文 参考訳（メタデータ） (2026-03-09T22:52:12Z) - Exploring and Mitigating Gender Bias in Encoder-Based Transformer Models [0.0]
本稿では,トランスフォーマーモデルの重要な構成要素である文脈的単語埋め込みにおけるジェンダーバイアスについて検討する。
バイアスの度合いを定量化するために,マスク付きトークンを埋めるモデル確率に基づいてバイアスを評価する新しい計量MALoRを導入する。
実験により,異なる代名詞対における性別バイアススコアの顕著な減少が示された。
論文 参考訳（メタデータ） (2025-11-01T11:49:44Z) - Bias in Gender Bias Benchmarks: How Spurious Features Distort Evaluation [116.86965910589775]
対象物の10%だけをマスクしたり、背景が弱くぼやけたりといった、最小限の摂動でさえ、バイアススコアを劇的に変える可能性がある。
これは、現在のバイアス評価がモデル応答を、性別バイアスよりも刺激的な特徴に反映していることを示唆している。
論文 参考訳（メタデータ） (2025-09-09T11:14:11Z) - AI Gender Bias, Disparities, and Fairness: Does Training Data Matter? [3.509963616428399]
この研究は、人工知能(AI)におけるジェンダー問題に関する広範囲にわたる課題について考察する。
それは、6つの評価項目で男女1000人以上の学生の反応を分析する。
その結果,混合学習モデルのスコアリング精度は,男性モデルと女性モデルとでは有意な差があることが示唆された。
論文 参考訳（メタデータ） (2023-12-17T22:37:06Z) - The Impact of Debiasing on the Performance of Language Models in
Downstream Tasks is Underestimated [70.23064111640132]
我々は、幅広いベンチマークデータセットを用いて、複数の下流タスクのパフォーマンスに対するデバイアスの影響を比較した。
実験により、デバイアスの効果は全てのタスクにおいて一貫して見積もられていることが示されている。
論文 参考訳（メタデータ） (2023-09-16T20:25:34Z) - Bridging Precision and Confidence: A Train-Time Loss for Calibrating
Object Detection [58.789823426981044]
本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。
その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
論文 参考訳（メタデータ） (2023-03-25T08:56:21Z) - Improving Gender Fairness of Pre-Trained Language Models without
Catastrophic Forgetting [88.83117372793737]
元のトレーニングデータに情報を埋め込むことは、モデルの下流のパフォーマンスを大きなマージンで損なう可能性がある。
本稿では,GEnder Equality Prompt(GEEP)を提案する。
論文 参考訳（メタデータ） (2021-10-11T15:52:16Z) - Balancing Biases and Preserving Privacy on Balanced Faces in the Wild [50.915684171879036]
現在の顔認識(FR)モデルには、人口統計バイアスが存在する。
さまざまな民族と性別のサブグループにまたがる偏見を測定するために、我々のバランス・フェイススをWildデータセットに導入します。
真偽と偽のサンプルペアを区別するために1点のスコアしきい値に依存すると、最適以下の結果が得られます。
本稿では,最先端ニューラルネットワークから抽出した顔特徴を用いたドメイン適応学習手法を提案する。
論文 参考訳（メタデータ） (2021-03-16T15:05:49Z) - Mitigating Gender Bias in Captioning Systems [56.25457065032423]
ほとんどのキャプションモデルは性別バイアスを学習し、特に女性にとって高い性別予測エラーにつながる。
本稿では, 視覚的注意を自己指導し, 正しい性的な視覚的証拠を捉えるためのガイド付き注意画像キャプチャーモデル(GAIC)を提案する。
論文 参考訳（メタデータ） (2020-06-15T12:16:19Z) - How Does Gender Balance In Training Data Affect Face Recognition
Accuracy? [12.362029427868206]
女性に対する低い精度は、トレーニングデータにおける表現不足によって引き起こされると推測されることが多い。
本研究は,女子のトレーニングデータにおける表現不足が,テストデータにおける女性の精度低下の原因であることを示す。
論文 参考訳（メタデータ） (2020-02-07T18:11:01Z)
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。