Fugu-MT 論文翻訳(概要): Uncertainty-Aware Deepfake Detection via Multi-View Structural Learning

論文の概要: Uncertainty-Aware Deepfake Detection via Multi-View Structural Learning

arxiv url: http://arxiv.org/abs/2607.28769v1
Date: Thu, 30 Jul 2026 18:42:01 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-03 16:35:22.212017
Title: Uncertainty-Aware Deepfake Detection via Multi-View Structural Learning
Title（参考訳）: 多視点構造学習による不確実性を考慮したディープフェイク検出
Authors: Muhammad Umar Farooq, Kutub Uddin, Awais Khan, Khalid Malik,
Abstract要約: セキュリティクリティカルなバイオメトリックおよび法医学的応用は、特に分布シフトの下で、正確な予測と信頼性の高い信頼推定を必要とする。相補的な証拠源間の不整合による操作を識別する不確実性を考慮したディープフェイク検出フレームワークを提案する。証拠ストリーム間の矛盾を予測的不確実性にリンクする不一致不確実性モデリング機構であるIBDC(Inter-Branch Disagreement)を導入する。
参考スコア（独自算出の注目度）: 6.951909224842812
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Security-critical biometric and forensic applications require accurate predictions and reliable confidence estimates, particularly under distribution shift. This challenge is especially acute for deepfake detection, where foundation-model-based detectors often exhibit overconfident predictions on out-of-distribution manipulations, which limits their suitability for operational deployment. We propose an uncertainty-aware deepfake detection framework that identifies manipulations through inconsistencies across complementary evidence sources. The framework integrates three streams: a visual stream based on an adapted CLIP encoder, a semantic stream that models consistency among facial attributes through differentiable constraints, and a structural stream that captures class-dependent dependency patterns between semantic and forensic features. To effectively combine these signals, we introduce Inter-Branch Disagreement Calibration (IBDC), a disagreement-aware uncertainty modeling mechanism that links predictive uncertainty to conflicts among evidence streams. Extensive cross-dataset experiments using FaceForensics++ as the training source demonstrate that the proposed framework achieves state-of-the-art generalization across multiple out-of-distribution benchmarks while consistently improving calibration and selective prediction performance. These results show that combining complementary evidence with disagreement-aware uncertainty provides a robust foundation for trustworthy and well-calibrated deepfake detection under distribution shift.
Abstract（参考訳）: セキュリティクリティカルなバイオメトリックおよび法医学的応用は、特に分布シフトの下で、正確な予測と信頼性の高い信頼推定を必要とする。この課題は特にディープフェイク検出において急激であり、ファンデーションモデルに基づく検出器は、アウト・オブ・ディストリビューション操作に関する過度な予測をしばしば示し、運用展開への適合性を制限している。相補的な証拠源間の不整合による操作を識別する不確実性を考慮したディープフェイク検出フレームワークを提案する。フレームワークは3つのストリームを統合する: 適応されたCLIPエンコーダに基づくビジュアルストリーム、差別化可能な制約によって顔属性間の一貫性をモデル化するセマンティックストリーム、セマンティックと法医学的特徴の間のクラス依存の依存関係パターンをキャプチャする構造ストリーム。これらの信号を効果的に組み合わせるために,証拠ストリーム間の矛盾を予測的不確実性にリンクする不確実性モデリング機構であるIBDC(Inter-Branch Disagreement Calibration)を導入する。 FaceForensics++をトレーニングソースとして使用した大規模なクロスデータセット実験により、提案フレームワークは、キャリブレーションと選択的予測性能を一貫して改善しつつ、複数のアウト・オブ・ディストリビューションベンチマークにわたる最先端の一般化を実現することを示した。これらの結果は、相補的証拠と相補的証拠とが相反する不確実性を組み合わせることで、分布シフト下での信頼性と校正されたディープフェイク検出の堅牢な基盤となることを示唆している。

関連論文リスト

Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
論文参考訳（メタデータ） (2026-07-29T05:16:59Z)
Robustifying Vision-Language Models via Test-Time Prompt Adaptation [23.05168102474528]
サンプルレベルの推定から分布レベルのアライメントに移行するテストtImeプロンプト・タダプテーションフレームワークであるRITAを提案する。特に、RITAは、拡張視覚特徴の分布をテキストプロトタイプと整合させ、敵対的外乱を緩和し、モーダルな意味的不一致を是正するために最適なトランスポートを使用する。
論文参考訳（メタデータ） (2026-07-10T14:19:42Z)
AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
AnchorMoEは、解釈可能な構成別分類フレームワークである。ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
論文参考訳（メタデータ） (2026-06-02T13:30:54Z)
Uncertainty-DTW for Sequences and Visual Tokens [43.798398689900075]
本研究では,不確実性を考慮した対応をモデル化し,アライメントパスに沿って構造化されたマッチングを行う確率的フレームワークである不確実性認識アライメントを導入する。我々は、このフレームワークを時間列からトークン化された視覚表現に一般化し、視覚トークンの集合に対する構造化マッチングを可能にする。これらの知見は、構造化データから学習するための一般的な、堅牢で解釈可能なフレームワークとして、不確実性を考慮したアライメントを確立する。
論文参考訳（メタデータ） (2026-05-24T14:49:43Z)
Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
論文参考訳（メタデータ） (2026-04-17T13:27:11Z)
Efficient Credal Prediction through Decalibration [27.17944683306638]
本稿では, 相対的可能性の概念を基礎として, 断裂予測を効率的に行う方法を提案する。提案手法は, 多様なタスクにまたがって, 高い性能でクレーダル集合を生成することを示す。特に,TabPFNやCLIPなどのモデルに対して,致命的な予測を示す。
論文参考訳（メタデータ） (2026-03-09T15:30:10Z)
Uncertainty Awareness on Unsupervised Domain Adaptation for Time Series Data [49.36938105983916]
教師なし領域適応法は、ラベルのないテストデータに効果的に一般化しようとする。本稿では,ドメイン間の一般化とロバスト性を改善するために,マルチスケールの特徴抽出と不確実性推定を導入することを提案する。
論文参考訳（メタデータ） (2025-08-26T03:13:08Z)
An Uncertainty-aware DETR Enhancement Framework for Object Detection [10.102900613370817]
本稿では,DETRを用いた物体検出のための不確実性認識フレームワークを提案する。我々はハイリスク情報をフィルタリングし、検出信頼性を向上させるベイズリスクの定式化を導出する。 COCOベンチマーク実験により,本手法を既存のDECR変種に効果的に統合できることが示唆された。
論文参考訳（メタデータ） (2025-07-20T07:53:04Z)
TrustLoRA: Low-Rank Adaptation for Failure Detection under Out-of-distribution Data [62.22804234013273]
本稿では,共変量および意味的シフトの両条件下での拒絶による分類を統一し,促進する,単純な故障検出フレームワークを提案する。キーとなる洞察は、障害固有の信頼性知識を低ランクアダプタで分離し、統合することにより、障害検出能力を効果的かつ柔軟に向上できるということです。
論文参考訳（メタデータ） (2025-04-20T09:20:55Z)
Self-Supervised Graph Transformer for Deepfake Detection [1.8133635752982105]
ディープフェイク検出手法は、与えられたデータセット内の偽造を認識できる有望な結果を示している。ディープフェイク検出システムは、一般的な検出性能を保証するために、偽造タイプ、外観、品質に欠かせないままでいなければならない。本研究では、自己教師付き事前学習モデルを利用して、例外的な一般化能力を実現するディープフェイク検出フレームワークを提案する。
論文参考訳（メタデータ） (2023-07-27T17:22:41Z)
Trust but Verify: Assigning Prediction Credibility by Counterfactual Constrained Learning [123.3472310767721]
予測信頼性尺度は統計学と機械学習において基本的なものである。これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
論文参考訳（メタデータ） (2020-11-24T19:52:38Z)

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。