論文の概要: Trajectory Dynamics in Self-Supervised Learning Latent Space for Audio Deepfake Detection

• arxiv url: http://arxiv.org/abs/2608.13817v1
• Date: Thu, 13 Aug 2026 23:06:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.222864
• Title: Trajectory Dynamics in Self-Supervised Learning Latent Space for Audio Deepfake Detection
• Title（参考訳）: オーディオディープフェイク検出のための自己監督型学習潜時空間における軌道ダイナミクス
• Abstract要約: 我々は、ボナファイド音声のみに基づいて、因果LSTM次フレーム予測器を訓練する。 システムは6つのベンチマークで競合や最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human speech production is constrained by physiology, giving rise to characteristic temporal structure on acoustic signals. We hypothesise that these constraints manifest as structured trajectory dynamics in the latent space of Self-Supervised Learning (SSL) models, and that synthetic speech violates them detectably. To test this hypothesis, we train a causal Long Short-Term Memory (LSTM) next-frame predictor on bonafide speech only (Stage 1), using the deepfake-specialised SSL backbone Wav2Vec2-Large-AntiDeepfake, and compare against a static global-average-pooling baseline using identical features, thus isolating the contribution of temporal modelling. A supervised Stage 2, which trains a Multi-Layer Perceptron on the frozen LSTM internal states using labelled data, is included to characterise the role of spoof supervision. Our system achieves competitive or state-of-the-art performance across six benchmarks: ASVspoof 2019/2021, Codecfake, In-the-Wild, MLAAD-EN, and Deepfake-Eval-2024, including best published EER on ASVspoof 2021 (0.75\%) and, notably, Stage 1 trained on bonafide speech only surpasses the published supervised baseline from the same backbone on DE2024 (30.35\%). On near-domain benchmarks, static and dynamic approaches perform comparably. On harder cross-corpus benchmarks with diverse synthesis methods, trajectory dynamics provide substantial gains, confirming that temporal physiological constraints carry detection signal beyond utterance-level statistics.
• Abstract（参考訳）: ヒトの音声生成は生理学に制約され、音響信号に特徴的な時間構造が生じる。 我々は,これらの制約を自己監督学習モデル(SSL)の潜在空間における構造的軌道力学として表し,合成音声が検出可能でないことを仮定する。 この仮説を検証するために,我々は,ボナファイド音声のみに起因したLong Short-Term Memory(LSTM)次フレーム予測器(Stage 1)を,深層フェイク特化SSLバックボーンWav2Vec2-Large-AntiDeepfakeを用いて訓練し,同一特徴を用いた静的グローバル平均プールベースラインとの比較を行い,時間的モデリングの寄与を分離する。 ラベル付きデータを用いて、凍結したLSTM内部状態に多層パーセプトロンを訓練する教師付きステージ2を含み、スプーフ監視の役割を特徴づける。 ASVspoof 2019/2021, Codecfake, In-the-Wild, MLAAD-EN, Deepfake-Eval-2024 – ASVspoof 2021 (0.75\%)で最高のEERを含む。 ニアドメインベンチマークでは、静的アプローチと動的アプローチが相容れない。 多様な合成手法によるより厳しいクロスコーパスベンチマークでは、軌跡力学が実質的な利得をもたらし、時間的生理学的制約が発話レベル統計を超えた検出信号を運ぶことを確認する。

関連論文リスト

• Latent Variable-Mediated Cross-Learning for Few-Shot Acoustic Impedance Imaging [8.001554355893816]
  音響インピーダンスイメージングは、地下分析における根本的な問題であるが深刻な問題である。 本稿では、正規化デコンボリューションと半教師ありクロスラーニングを統合した新しいフレームワークRD-SCLを提案する。 RD-SCLは、最先端の教師付きおよび半教師付き手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2026-07-23T07:13:01Z)
• Learning Spatio-Temporal Foundation Models from Pure Synthetic Data [85.23980441738811]
  NeoSTは、現実バイアスに対するスケーラブルな合成学習コーパスであり、複数の将来の軌跡を反復的に生成・洗練する潜在空間推論アーキテクチャであり、構造的ダイナミクスを強調し、分散シフトの下で推論時間補正を可能にする潜在空間目的である。 様々な実世界のベンチマークによる大規模な実験は、NeoSTが様々な実世界の時間系において既存のSTFMより一貫して優れていることを示している。
  論文  参考訳（メタデータ） (2026-06-27T02:56:46Z)
• Compact Latent Manifold Translation: A Parameter-Efficient Foundation Model for Cross-Modal and Cross-Frequency Physiological Signal Synthesis [4.672369796753925]
  既存の基礎モデルは、しばしば重度のモダリティの絡み合いに苦しむ連続潜在空間に依存している。 本稿では,これらのギャップを埋める高パラメータ効率(0.09B)統一フレームワークであるコンパクト潜時翻訳(CLMT)を提案する。 計算フットプリントのごく一部で生物学的信号の普遍的な離散言語を学習することにより、我々はエッジ展開可能な多要素医療基盤モデルのための新しい軌道を定めている。
  論文  参考訳（メタデータ） (2026-05-13T09:31:36Z)
• Something from Nothing: Data Augmentation for Robust Severity Level Estimation of Dysarthric Speech [69.86604856129883]
  外科的音声品質評価(DSQA)は臨床診断と包括的音声技術において重要である。 本研究では,未ラベルの変形音声と大規模典型的な音声データセットを併用した3段階のフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-16T23:00:07Z)
• Resp-Agent: An Agent-Based System for Multimodal Respiratory Sound Generation and Disease Diagnosis [14.922065513695294]
  Resp-Agent(Resp-Agent)は、アクティブアドリキュラムエージェント(Thinker-A$2$CA)によって編成された自律型マルチモーダルシステムである。 表現ギャップに対処するため,EHRデータをストラテジックグローバルアテンションを介して音声トークンで織り込むModality-Weaving Diagnoserを導入する。 データギャップに対処するために,テキストのみのLarge Language Model (LLM) をモダリティインジェクションにより適応させるフローマッチングジェネレータを設計する。
  論文  参考訳（メタデータ） (2026-02-16T14:48:24Z)
• PACE: Pretrained Audio Continual Learning [27.605574463021693]
  事前学習モデル(PTM)を用いた音声連続学習(CL)のための最初の体系的ベンチマークを提案する。 さらに、スペクトルに基づく境界認識摂動を導入し、表現の重なりを緩和し、安定性を向上させる。 6つの多様なオーディオCLベンチマークの実験は、PACEが最先端のベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2026-02-03T10:28:35Z)
• Hierarchical Self-Supervised Representation Learning for Depression Detection from Speech [51.14752758616364]
  音声による抑うつ検出 (SDD) は、従来の臨床評価に代わる有望で非侵襲的な代替手段である。 HAREN-CTCは,マルチタスク学習フレームワーク内でのクロスアテンションを用いて,多層SSL機能を統合した新しいアーキテクチャである。 このモデルはDAIC-WOZで0.81、MODMAで0.82の最先端マクロF1スコアを達成し、両方の評価シナリオで先行手法より優れている。
  論文  参考訳（メタデータ） (2025-10-05T09:32:12Z)
• A theoretical framework for self-supervised contrastive learning for continuous dependent data [79.62732169706054]
  自己教師付き学習(SSL)は、特にコンピュータビジョンの分野で、表現を学習するための強力なアプローチとして登場した。 本稿では,サンプル間のアンフェマティック独立に適した対照的なSSLの理論的枠組みを提案する。 具体的には、標準のUEAベンチマークとUCRベンチマークでTS2Vecを上回り、それぞれ4.17$%と2.08$%の精度で改善した。
  論文  参考訳（メタデータ） (2025-06-11T14:23:47Z)
• Skeleton2vec: A Self-supervised Learning Framework with Contextualized Target Representations for Skeleton Sequence [56.092059713922744]
  予測対象として高レベルな文脈化機能を使用することで,優れた性能が得られることを示す。 具体的には、シンプルで効率的な3D行動表現学習フレームワークであるSkeleton2vecを提案する。 提案するSkeleton2vecは,従来の手法より優れ,最先端の結果が得られる。
  論文  参考訳（メタデータ） (2024-01-01T12:08:35Z)
• DDKtor: Automatic Diadochokinetic Speech Analysis [13.68342426889044]
  本稿では,無表記・無転写音声から子音と母音を自動的に分離する2つのディープニューラルネットワークモデルを提案する。 若い健康な個人のデータセットの結果から、LSTMモデルは現在の最先端システムよりも優れています。 LSTMモデルは、パーキンソン病データセットの未確認高齢者を対象に、訓練されたヒトアノテータに匹敵する結果を提示する。
  論文  参考訳（メタデータ） (2022-06-29T13:34:03Z)
• Self-supervised models of audio effectively explain human cortical responses to speech [71.57870452667369]
  我々は、自己教師型音声表現学習の進歩に乗じて、人間の聴覚システムの最先端モデルを作成する。 これらの結果から,ヒト大脳皮質における音声処理の異なる段階に関連する情報の階層構造を,自己教師型モデルで効果的に把握できることが示唆された。
  論文  参考訳（メタデータ） (2022-05-27T22:04:02Z)

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。