論文の概要: Continuously Evolving Deepfake Detection: An Architecture and Public-Benchmark Evaluation of a Dynamic Detection System
- arxiv url: http://arxiv.org/abs/2607.13234v1
- Date: Tue, 14 Jul 2026 19:53:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 16:39:12.577138
- Title: Continuously Evolving Deepfake Detection: An Architecture and Public-Benchmark Evaluation of a Dynamic Detection System
- Title（参考訳）: ディープフェイク検出の継続的進化:動的検出システムのアーキテクチャと公開ベンチマーク評価
- Abstract要約: 学術ベンチマークでほぼ完璧なスコアを得るディープフェイク検出器は、現実世界のコンテンツで崩壊する。
このギャップは構造的であり、静的検出器は動いた生成フロンティアに対して一度訓練される。
我々は,Bittensor SN34を通じてトレーニングされたBitMind Forensics(BMF)について紹介する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deepfake detectors that achieve near-perfect scores on academic benchmarks collapse on real-world content: recent in-the-wild evaluations report AUC drops of 45-50% for state-of-the-art open-source models. We argue this gap is structural: static detectors are trained once against a moving generative frontier. We present BitMind Forensics (BMF), trained through Bittensor SN34, an open adversarial competition that continually refreshes the training distribution. We evaluate one dated export comprising image, general-video, and human-video checkpoints across nineteen public datasets: the canonical face-swap suites (FaceForensics++, Celeb-DF v1/v2/++, DFDC, DFD, UADFV, DF40) and recent in-the-wild and AI-generated-media benchmarks (Sumsub, Deepfake-Eval-2024, WildRF, Community Forensics, AIGCDetectBench, GenImage, AI-GenBench, AIGIBench, RAID, GenVidBench, GenVideo-100K). BMF reaches 0.936 AUC on Sumsub's original images and 0.872 pooled AUC over its full four-condition manipulation battery (1.4M images), staying robust under perturbation (0.855 JPEG, 0.799 downscaled), while GPEN enhancement improves detection (0.996). On Deepfake-Eval-2024, it matches the best commercial detector on images (0.915 vs 0.90) and exceeds it on video (0.822 vs 0.79), far above the best open-source detectors (0.56 and 0.63). It reaches 0.991 AUC on a 21-generator AI-image panel and 0.918 on GenVidBench, and exceeds the FF++-trained frontier on DFDC (0.947 vs 0.843) and Celeb-DF v2 (0.9985 vs 0.956), both contamination-audited, with statistical parity on Celeb-DF++. In a temporal study, successive dated exports improve on held-out media from generators absent from the static baseline's training (image 0.842 to 0.902; video 0.864 to 0.936). Our evaluation harness is public, and at publication the production API serves the exact evaluated snapshot for independent verification.
- Abstract（参考訳）: 学術ベンチマークでほぼ完璧なスコアを得るディープフェイク検出器は、現実世界のコンテンツで崩壊する。最近の調査によると、最先端のオープンソースモデルでは、AUCは45-50%減少している。
このギャップは構造的であり、静的検出器は動いた生成フロンティアに対して一度訓練される。
我々は,Bittensor SN34を通じてトレーニングされたBitMind Forensics(BMF)について紹介する。
画像,一般ビデオ,人為的なチェックポイントを19の公開データセットで評価した。標準的な顔スワップスイート (FaceForensics++, Celeb-DF v1/v2/++, DFDC, DFD, UADFV, DF40) と,近ごろリリースされたAI生成メディアベンチマーク (Sumsub, Deepfake-Eval-2024, WildRF, Community Forensics, AIGCDetectBench, GenImage, AI-GenBench, AIGIBench, RAID, GenVidBench, GenVideo-100K) である。
BMFはSumsubのオリジナルの画像上で0.936 AUCに達し、0.872はフル4条件操作バッテリー(1.4Mイメージ)上でAUCをプールし、摂動下で頑健(0.855 JPEG、0.799ダウンスケール)であり、GPENの強化は検出を改善する(0.996)。
Deepfake-Eval-2024では、画像上の最高の商用検出器(0.915対0.90)と一致し、最も優れたオープンソース検出器(0.56と0.63)よりもはるかに高いビデオ(0.822対0.79)で上回っている。
21世代AIイメージパネルで0.991 AUC、GenVidBenchで0.918に到達し、DFDC(0.947 vs 0.843)とCeleb-DF v2(0.9985 vs 0.956)のFF++学習フロンティアを越え、どちらも汚染監査された。
時間的調査では、静的ベースラインのトレーニングから欠落したジェネレータ(像 0.842 - 0.902; ビデオ 0.864 - 0.936)からの連続した日時輸出が、保持されたメディアに対して改善された。
評価ハーネスは公開されており、公開時には、独立検証のための正確な評価スナップショットを提供する。
関連論文リスト
- Benchmark AUC Is Not Deployable Reliability: A Cross-Dataset Audit of Off-the-Shelf Features for Surveillance Video Anomaly Detection [0.0]
自動的な“suspicious behavior”フラグングは、AI監視の柱となる約束だ。
Fieldは標準ビデオ異常検出ベンチマークで高フレームレベルのROC-AUCを報告している。
その仮定が下がったときに何が起こるか監査します。
論文 参考訳（メタデータ） (2026-06-28T17:08:02Z) - Democratising Camera Trap AI: An Open-Source Model for Detecting UK Mammals [0.0]
我々は,31クラス,英産哺乳類28種,鳥28種,人間用ユーティリティクラス,キャリブレーションポールおよび車両用のオープンソースオブジェクト検出モデルをリリースする。
このモデルは、ホールドアウト検証セット上で0.5 (0.956 at IoU 0.5-0.95)のIntersection over Union (IoU)における平均0.984の平均精度を達成する。
我々は、ONNXフォーマットで訓練された重量を非商用ライセンスでリリースし、ローカルデスクトップとリアルタイムカメラをサポートする。
論文 参考訳（メタデータ） (2026-06-09T14:47:24Z) - Intermediate Representations are Strong AI-Generated Image Detectors [51.7378156094049]
中間層にデータ感度を埋め込んでAI生成画像を検出する検索手法を提案する。
提案手法は, 実画像とAI生成画像の集合を考慮し, 原画像の埋め込みと摂動画像の埋め込みの類似性を調べ, 類似性に基づいてAI生成画像を検出する。
本手法は,Forensics Smallベンチマークにおいて,AUROCスコアの最良のトレーニングベース手法と比較して39.61%向上し,5.14%向上した。
論文 参考訳（メタデータ） (2026-05-05T23:26:02Z) - Comparison of Multiple Classifiers for Android Malware Detection with Emphasis on Feature Insights Using CICMalDroid 2020 Dataset [0.0]
署名スキャナーは、パブリックアプリストアでリリースサイクルの速さに遅れを取っている。
私たちはCICMalDroid PCA2020を使用しました。
オリジナル機能のグラデーション向上が 最善を尽くした
論文 参考訳（メタデータ） (2026-01-20T04:50:58Z) - Uncertainty-inspired Open Set Learning for Retinal Anomaly
Identification [71.06194656633447]
9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。
しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。
UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
論文 参考訳（メタデータ） (2023-04-08T10:47:41Z) - Attention-based Saliency Maps Improve Interpretability of Pneumothorax
Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。
ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。
ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文 参考訳（メタデータ） (2023-03-03T12:05:41Z) - The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk
Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。
AUC, 感度, 特異性, 精度, F1。
論文 参考訳（メタデータ） (2021-09-18T02:28:01Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳（メタデータ） (2021-08-07T10:12:42Z) - Semi-supervised learning for generalizable intracranial hemorrhage
detection and segmentation [0.0]
本研究は頭蓋内出血の検出・分節化のための半教師付き学習モデルの開発と評価である。
最初の「教師」ディープラーニングモデルは、2010年から2017年にかけて米国のある機関から収集された457ピクセルの頭部CTスキャンに基づいて訓練された。
2つ目の"学生"モデルは、このピクセルラベル付きデータセットと擬似ラベル付きデータセットの組み合わせでトレーニングされた。
論文 参考訳（メタデータ） (2021-05-03T00:14:43Z) - A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows
from UAV Imagery [56.10033255997329]
畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。
高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。
提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
論文 参考訳（メタデータ） (2020-12-31T18:51:17Z) - Automatic classification of multiple catheters in neonatal radiographs
with deep learning [2.256008196530956]
新生児胸部および腹部X線写真上の複数のカテーテルを分類する深層学習アルゴリズムの開発と評価を行った。
畳み込みニューラルネットワーク(CNN)は,新生児胸部777例と腹部X線写真を用いて訓練した。
論文 参考訳（メタデータ） (2020-11-14T21:27:21Z)
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。