論文の概要: FairForensics: Seeing Expressions and Parsing Demographics via Vision-Language Modeling for Generalizable Fair Deepfake Detection

• arxiv url: http://arxiv.org/abs/2608.01661v1
• Date: Mon, 03 Aug 2026 03:51:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.320728
• Title: FairForensics: Seeing Expressions and Parsing Demographics via Vision-Language Modeling for Generalizable Fair Deepfake Detection
• Title（参考訳）: FairForensics: 一般化可能なFepfake検出のための視覚言語モデルによる表現と解析
• Abstract要約: 既存のフェアネスを増強した検出器は、しばしば人口統計群全体にわたって目に見えない操作とフェアネスの最適下一般化に悩まされる。 我々は、バランスの取れない人口シナリオと不均衡な人口シナリオの両方の下で、検出器の公平性を訓練し、評価するために、新しい人口動態バランスFDDベンチマークを構築した。 また,FairForensicsと呼ばれる新しい表現と階層型視覚言語モデルを導入する。
• 参考スコア（独自算出の注目度）: 60.2868121662026
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The challenge of fair deepfake detection (FDD) has attracted increasing attention. Existing fairness-enhanced detectors often suffer from suboptimal generalization to unseen manipulations and fairness across demographic groups. They are typically developed and evaluated on demographically imbalanced distributions, resulting in biased predictions toward minority groups. In this paper, we construct a novel demographically balanced FDD benchmark to train and evaluate the fairness of detectors under both balanced and imbalanced population scenarios. Additionally, we introduce a novel expression and demographic perceptual vision-language model, termed FairForensics, for generalizable fair deepfake detection. FairForensics conducts face forgery generalization enhancement and demographic-aware fairness regularization. During face forgery generalization enhancement, built upon the novel observation of significant distribution differences between pristine and forged expression vectors, we design an expression encoder to capture high-level expression-guided forgery patterns, and an expression-perceptual visual encoder that integrates global appearance and expression forgery features while mitigating identity bias using an identity-aware patch perturbation module. Under demographic-aware fairness regularization, we propose a demographic-guided language encoder to extract population-aware global language embeddings, which boosts the decoupling of forgery features from demographic information via vision-language alignment. We devise a population-aware prototype fairness objective to enforce both inter-class separability and intra-class alignment across demographic subgroups. Extensive experiments on our balanced demographic benchmark show that our method achieves the state-of-the-art in terms of generalization and fairness.
• Abstract（参考訳）: フェアディープフェイク検出(FDD)の課題が注目されている。 既存のフェアネスを増強した検出器は、しばしば人口統計群全体にわたって目に見えない操作とフェアネスの最適下一般化に悩まされる。 それらは典型的には、人口動態的に不均衡な分布に基づいて開発され、評価され、その結果、少数派に対する偏見が生じる。 本稿では,不均衡な人口シナリオと不均衡な人口シナリオの両面において,検出器の公平性を訓練し,評価するために,新しい人口動態バランス型FDDベンチマークを構築した。 さらに、FairForensicsと呼ばれる新しい表現と人口統計学的視覚言語モデルを導入し、一般化可能なフェア・ディープフェイク検出手法を提案する。 FairForensicsは、顔の偽造一般化と、人口統計学的に認識される公正性正規化を行う。 プリスタンとフォージド表現ベクトル間の顕著な分布差の新たな観察に基づく顔フォージェリ一般化強化において,我々は,ハイレベルな表現誘導フォージェリパターンを捕捉する表現エンコーダと,ID対応パッチ摂動モジュールを用いた識別バイアスを緩和しつつ,グローバルな外観と表現フォージェリ特徴を統合した表現知覚視覚エンコーダを設計する。 人口動態を考慮したフェアネス・レギュラー化では,人口集団を意識したグローバルな言語埋め込みを抽出する集団誘導型言語エンコーダが提案され,視覚言語アライメントによる人口統計情報からの偽特徴の分離が促進される。 集団間分離性とクラス内アライメントを両サブグループ間で実施するための,集団認識型プロトタイプフェアネス目標を考案した。 本手法が一般化と公正性の両面において最先端の手法を実現することを示す。

関連論文リスト

• When Does Demographic Information Help? Data and Modeling Regimes for Perspective-Aware Hate Speech Detection [3.685453775072903]
  データ分割プロパティとモデリングフレームワークの両方の機能として、人口増加を分析します。 人口増加は、低いトレーニング不一致、高いテスト不一致、きめ細かいあいまいさの測定、十分なトレーニングデータ、より大きな人口重なりのある体制に集中している。
  論文  参考訳（メタデータ） (2026-05-26T17:24:41Z)
• Mitigating Bias with Words: Inducing Demographic Ambiguity in Face Recognition Templates by Text Encoding [18.08946802592489]
  顔認識システムは、しばしば人口統計学的バイアスに起因し、部分的には、人口統計学的情報と、顔の埋め込みにおけるアイデンティティ関連の特徴が絡み合っているためである。 我々は,顔埋め込みにおける人口動態のあいまいさを誘発する新しい手法である統一テキスト・イメージ・埋め込み(UTIE)を提案する。 UTIEは、いくつかのケースにおいて、顔認証精度を維持しながら、あるいは改善しながら、常にバイアスメトリクスを減少させることを示す。
  論文  参考訳（メタデータ） (2025-12-05T10:41:58Z)
• Fair Deepfake Detectors Can Generalize [51.21167546843708]
  共同設立者(データ分散とモデルキャパシティ)の制御により,公正な介入による一般化が向上することを示す。 この知見を応用して, 逆正当性重み付けとサブグループワイド特徴正規化を併用し, 新たなアライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・インセンティブ・インターベンション・インベンション・インテクション(DAID)を提案する。 DAIDは、いくつかの最先端技術と比較して、公平性と一般化の両方において一貫して優れた性能を達成する
  論文  参考訳（メタデータ） (2025-07-03T14:10:02Z)
• Data Matters Most: Auditing Social Bias in Contrastive Vision Language Models [28.944990804599893]
  CLIPとOpenCLIPを比較することで、モデルサイズ、トレーニングデータスケール、トレーニングデータソースの3つの設計要素を分離します。 また、Bias Prompts、Prompt Array、SANERの3つのポストホック、テストタイムのデバイアス戦略を評価します。
  論文  参考訳（メタデータ） (2025-01-22T21:08:30Z)
• Balancing the Scales: Enhancing Fairness in Facial Expression Recognition with Latent Alignment [5.784550537553534]
  このワークル平均は、表情認識システムにおけるバイアスを軽減するために、潜在空間に基づく表現学習を行う。 また、ディープラーニングモデルの公平性と全体的な正確性も向上する。
  論文  参考訳（メタデータ） (2024-10-25T10:03:10Z)
• Thinking Racial Bias in Fair Forgery Detection: Models, Datasets and Evaluations [63.52709761339949]
  最初に、Fair Forgery Detection(FairFD)データセットと呼ばれる専用のデータセットをコントリビュートし、SOTA(Public State-of-the-art)メソッドの人種的偏見を証明する。 我々は、偽りの結果を避けることができる平均的メトリクスと実用正規化メトリクスを含む新しいメトリクスを設計する。 また,有効で堅牢な後処理技術であるBias Pruning with Fair Activations (BPFA)も提案する。
  論文  参考訳（メタデータ） (2024-07-19T14:53:18Z)
• Redundant Semantic Environment Filling via Misleading-Learning for Fair Deepfake Detection [41.53648814855822]
  ディープフェイク技術は、デジタルコミュニケーションにおける信頼の保護と個人保護に不可欠である。 現在の検出器はしばしば二重オーバーフィッティングに悩まされ、特定の指紋と特定の人口統計特性の両方に過度に特化している。 本稿では,無作為な環境に潜伏空間を投入するミスリーディング学習という新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-05-24T03:12:57Z)
• Leveraging Prototypical Representations for Mitigating Social Bias without Demographic Information [50.29934517930506]
  DAFairは、言語モデルにおける社会的バイアスに対処する新しいアプローチである。 偏見を緩和するために、原型的人口統計テキストを活用し、微調整プロセス中に正規化用語を取り入れる。
  論文  参考訳（メタデータ） (2024-03-14T15:58:36Z)
• Balancing out Bias: Achieving Fairness Through Training Reweighting [58.201275105195485]
  自然言語処理におけるバイアスは、性別や人種などの著者の特徴を学習するモデルから生じる。 既存のバイアスの緩和と測定方法は、著者の人口統計学と言語変数の相関を直接考慮していない。 本稿では,インスタンス再重み付けを用いたバイアス対策法を提案する。
  論文  参考訳（メタデータ） (2021-09-16T23:40:28Z)
• Mitigating Face Recognition Bias via Group Adaptive Classifier [53.15616844833305]
  この研究は、全てのグループの顔がより平等に表現できる公正な顔表現を学ぶことを目的としている。 我々の研究は、競争精度を維持しながら、人口集団間での顔認識バイアスを軽減することができる。
  論文  参考訳（メタデータ） (2020-06-13T06:43:37Z)

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。