論文の概要: Explainable-by-Design Audio Deepfake Detection via Wiener-Hopf Linear Prediction

• arxiv url: http://arxiv.org/abs/2607.12584v1
• Date: Tue, 14 Jul 2026 09:51:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.113203
• Title: Explainable-by-Design Audio Deepfake Detection via Wiener-Hopf Linear Prediction
• Title（参考訳）: Wiener-Hopf線形予測による説明可能な音声ディープフェイク検出
• Abstract要約: Wiener-Hopf線形予測に基づく音声ディープフェイク検出フレームワークを提案する。 この設計により、分類結果と信号の音響特性との間の直接的かつ透過的な接続が可能になる。 実験により, ファインチューニングは, 一般的な後処理劣化下での検出性能を効果的に回復することが示された。
• 参考スコア（独自算出の注目度）: 5.778452680069759
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid advancement of synthetic speech generation methods has made audio deepfake detection a critical challenge in multimedia forensics. While recent approaches achieve high detection accuracy, they typically rely on black-box architectures that offer limited interpretability and high computational complexity. In this paper, we propose an explainable-by-design audio deepfake detection framework based on Wiener-Hopf linear prediction, processed by a lightweight 2D Convolutional Neural Network (CNN). This design enables a direct and transparent connection between classification outcomes and the acoustic properties of the signal. Experimental results on benchmark datasets demonstrate competitive detection performance while maintaining significantly lower computational complexity compared to state-of-the-art solutions. The interpretability analysis using Grad-CAM reveals that the classifier focuses on low-order predictor coefficients and on silence and transitional regions, suggesting that the Wiener-Hopf predictor captures reverberation characteristics and subtle statistical inconsistencies in synthetic speech. Finally, robustness experiments show that fine-tuning effectively recovers detection performance under common post-processing degradations, including additive noise, MP3 compression, and telephone filtering.
• Abstract（参考訳）: 合成音声生成手法の急速な進歩により、オーディオディープフェイク検出はマルチメディア法医学において重要な課題となっている。 近年のアプローチでは高い検出精度が達成されているが、通常はブラックボックスアーキテクチャに依存しており、解釈可能性や計算の複雑さが制限されている。 本稿では,Wener-Hopf線形予測に基づく,軽量な2次元畳み込みニューラルネットワーク(CNN)により処理された音声深度検出フレームワークを提案する。 この設計により、分類結果と信号の音響特性との間の直接的かつ透過的な接続が可能になる。 ベンチマークデータセットの実験結果は、最先端のソリューションと比較して計算複雑性を著しく低く保ちながら、競合検出性能を実証している。 Grad-CAMを用いた解釈可能性解析により,低次予測係数とサイレント領域と遷移領域に着目し,Wener-Hopf予測器が合成音声の残響特性と微妙な統計的不整合を捉えることが示唆された。 最後に、ロバスト性実験により、加算雑音、MP3圧縮、電話フィルタリングなど、一般的な後処理劣化下での微調整が検出性能を効果的に回復することを示した。

関連論文リスト

• Exact learning of quantum noise with tensor networks [0.0]
  本稿では,量子エラー補正症候群と論理観測データから直接ノイズモデルを学習する変分フレームワークを提案する。 我々は,この目的がアドホックではなく,情報理論の最小論理誤差率を十分に表現可能な雑音アンサッツであることを示す。
  論文  参考訳（メタデータ） (2026-08-31T18:01:16Z)
• Direct Raw Audio Signal Processing via Reservoir Computing: An Investigation into 'Feature-Free' Architectures [0.0]
  本稿では,Reservoir Computing (RC) を音声処理のための自律型「機能フリー」フレームワークとして評価する。 本研究では, 貯留層に固有の高次元時間ダイナミクスが, 生音響信号の直接分類のための堅牢なエンドツーエンドプロセッサとして機能するかどうかを検討する。
  論文  参考訳（メタデータ） (2026-06-19T11:30:22Z)
• Representation-Regularized Convolutional Audio Transformer for Audio Understanding [53.092757178419355]
  スクラッチからのブートストラップ表現は計算に高価で、しばしば収束するために広範囲のトレーニングを必要とします。 本稿では,これらの課題に対処するための統合フレームワークであるConvolutional Audio Transformer (CAT)を提案する。
  論文  参考訳（メタデータ） (2026-01-29T12:16:19Z)
• Anomaly Detection and Localization for Speech Deepfakes via Feature Pyramid Matching [8.466707742593078]
  音声ディープフェイク(英: Speech Deepfakes)は、ターゲット話者の声を模倣できる合成音声信号である。 音声のディープフェイクを検出する既存の方法は教師あり学習に依存している。 本稿では,音声深度検出を異常検出タスクとして再設定する,新しい解釈可能な一クラス検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-23T11:15:22Z)
• Unsupervised CP-UNet Framework for Denoising DAS Data with Decay Noise [13.466125373185399]
  分散音響センサ(DAS)技術は光ファイバーケーブルを利用して音響信号を検出する。 DASは、ジオフォンよりも低い信号対雑音比(S/N)を示す。 これにより、S/Nの低減は、反転と解釈を含むデータ解析に悪影響を及ぼす。
  論文  参考訳（メタデータ） (2025-02-19T03:09:49Z)
• Statistics-aware Audio-visual Deepfake Detector [11.671275975119089]
  オーディオ・ヴィジュアルフェイク検出の手法は、主に音声と視覚の特徴の同期を評価する。 モデルの識別能力を高めるため,統計的特徴損失を提案する。 DFDCおよびFakeAVCelebデータセットの実験により,提案手法の妥当性が示された。
  論文  参考訳（メタデータ） (2024-07-16T12:15:41Z)
• Fully Automated End-to-End Fake Audio Detection [57.78459588263812]
  本稿では,完全自動エンドツーエンド音声検出手法を提案する。 まず、wav2vec事前学習モデルを用いて、音声の高レベル表現を得る。 ネットワーク構造には, Light-DARTS という異種アーキテクチャサーチ (DARTS) の修正版を用いる。
  論文  参考訳（メタデータ） (2022-08-20T06:46:55Z)
• Generalizing Face Forgery Detection with High-frequency Features [63.33397573649408]
  現在のCNNベースの検出器は、メソッド固有の色テクスチャに過度に適合するため、一般化に失敗する傾向にある。 フェースフォージェリ検出に高周波雑音を用いることを提案する。 1つは、複数のスケールで高周波ノイズを抽出するマルチスケールの高周波特徴抽出モジュールである。 2つ目は、低レベルRGB特徴抽出器を導く残差誘導空間注意モジュールで、新しい視点からフォージェリートレースにもっと集中する。
  論文  参考訳（メタデータ） (2021-03-23T08:19:21Z)
• Cross-domain Adaptation with Discrepancy Minimization for Text-independent Forensic Speaker Verification [61.54074498090374]
  本研究では,複数の音響環境下で収集したCRSS-Forensicsオーディオデータセットを紹介する。 我々は、VoxCelebデータを用いてCNNベースのネットワークを事前訓練し、次に、CRSS-Forensicsのクリーンな音声で高レベルのネットワーク層の一部を微調整するアプローチを示す。
  論文  参考訳（メタデータ） (2020-09-05T02:54:33Z)
• Deep Speaker Embeddings for Far-Field Speaker Recognition on Short Utterances [53.063441357826484]
  深層話者埋め込みに基づく話者認識システムは,制御条件下での大幅な性能向上を実現している。 制御されていない雑音環境下での短い発話に対する話者検証は、最も困難で要求の高いタスクの1つである。 本稿では,a)環境騒音の有無による遠距離話者検証システムの品質向上,b)短時間発話におけるシステム品質劣化の低減という2つの目標を達成するためのアプローチを提案する。
  論文  参考訳（メタデータ） (2020-02-14T13:34:33Z)
• Temporal-Spatial Neural Filter: Direction Informed End-to-End Multi-channel Target Speech Separation [66.46123655365113]
  ターゲット音声分離とは、混合信号からターゲット話者の音声を抽出することを指す。 主な課題は、複雑な音響環境とリアルタイム処理の要件である。 複数話者混合から対象音声波形を直接推定する時間空間ニューラルフィルタを提案する。
  論文  参考訳（メタデータ） (2020-01-02T11:12:50Z)

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。