論文の概要: FairReL: Deepfake Detection using Fairness-Aware Representation Learning
- arxiv url: http://arxiv.org/abs/2608.28777v1
- Date: Fri, 28 Aug 2026 18:34:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.742929
- Title: FairReL: Deepfake Detection using Fairness-Aware Representation Learning
- Title（参考訳）: FairReL:Fairness-Aware Representation Learningを用いたディープフェイク検出
- Abstract要約: 本稿では,サブグループに敏感なコンポーネントを対象とするフェアネス対応表現学習フレームワークを提案する。
FairReLはSVDで分解されたファンデーションモデルバックボーンを使用して、微調整によって引き起こされる残留表現を分離する。
FF++、Celeb-DF、DFD、DFDCの実験では、最先端のフェアネス認識検出器に対して、FairReLは未確認データAUCを3.9%改善し、サブグループのFPR格差を10.2%削減した。
- 参考スコア（独自算出の注目度）: 13.693865200913741
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although recent deepfake detectors achieve high overall accuracy, their errors remain unevenly distributed across demographic subgroups, with real faces from certain groups more often misclassified as fake. Existing fairness-aware detectors typically regularise the entire feature representation, without identifying or controlling the specific components that drive unfair predictions. Such coarse intervention can over-suppress useful forgery cues while leaving demographic structure in component-specific subspaces. To address this, we identify two subgroup-sensitive components: multi-scale spatial features, which encode local facial and forgery patterns, and fine-tuning-induced residual features, which adapt the backbone to the unfair training distribution. We propose FairReL, a fairness-aware representation-learning framework that targets both components with dedicated demographic supervision. FairReL uses an SVD-decomposed foundation-model backbone to isolate the fine-tuning-induced residual representation, and introduces two complementary losses. Group-Conditional Wavelet Decorrelation (GCWD) suppresses subgroup-imbalanced structure across spatial wavelet sub-bands, while Subspace-Localised Mean Alignment (SLMA) aligns subgroup means within each real/fake class in the residual representation. Experiments on FF++, Celeb-DF, DFD and DFDC show that, against the state-of-the-art fairness-aware detector, FairReL improves unseen-dataset AUC by 3.9% while reducing subgroup FPR disparity by 10.2%. Code is available at https://github.com/xiaoman89/FairReL .
- Abstract（参考訳）: 最近のディープフェイク検出器は、全体的な精度が高いが、それらの誤差は人口統計学的サブグループに不均一に分散しており、特定のグループの実際の顔は、しばしば偽のものと誤分類される。
既存の公正を意識した検出器は、不公平な予測を駆動する特定のコンポーネントを特定したり制御したりすることなく、典型的には特徴表現全体を規則化する。
このような粗い介入は、コンポーネント固有の部分空間に人口構造を残しながら、有用な偽の手がかりを過剰に抑制することができる。
そこで我々は,局所的な顔と偽造パターンを符号化するマルチスケール空間特徴と,背骨を不公平な訓練分布に適応させる微調整による残留特徴の2つのサブグループ感受性成分を同定した。
両コンポーネントを対象とするフェアネス対応表現学習フレームワークであるFairReLを提案する。
FairReLはSVDで分解されたファンデーションモデルバックボーンを使用して、微調整によって引き起こされる残留表現を分離し、2つの相補的な損失をもたらす。
Group-Conditional Wavelet Deorrelation (GCWD) は空間ウェーブレットサブバンド間のサブグループ不均衡構造を抑制し、Subspace-Localized Mean Alignment (SLMA) は残差表現において各実数/フェイククラス内のサブグループ平均をアライメントする。
FF++、Celeb-DF、DFD、DFDCの実験では、最先端のフェアネス認識検出器に対して、FairReLは未確認データAUCを3.9%改善し、サブグループのFPR格差を10.2%削減している。
コードはhttps://github.com/xiaoman89/FairReL で公開されている。
関連論文リスト
- Local Reference Geometry Residual Augmentation for Imbalanced Time Series Classification [2.9276026564633617]
Local Reference Geometry (LRG) は、時系列分類のための軽量な機能拡張モジュールである。
LRGは局所露光とクラス混合リスクを測定し、各固定された特徴を近くのトレーニング幾何学から標準化された符号付き変位で増強する。
制御されたUCR/Bake Off Redux不均衡ベンチマークでは、ペアの生-LRG比較が学習、事前訓練、固定表現の利得を示す。
論文 参考訳（メタデータ） (2026-08-31T13:50:40Z) - Fairness-Aware Mixture-of-Experts via Subgroup Reweighting and Gate Regularization [2.6245086561385276]
本稿では,サブグループ不均衡を補正するエンドツーエンドのMixture-of-Experts(MoE)フレームワークを提案する。
サブグループ再重み付けをデータ不均衡の補正に適用し、ゲートエントロピー正則化を導入し、サブグループ属性へのルーティングが崩壊するのを防ぐ。
実験の結果,提案手法は競争力のある予測性能を維持しつつ公正性を向上することが示された。
論文 参考訳（メタデータ） (2026-08-24T05:34:25Z) - Toward Calibrated, Fair, and accurate Deepfake Detection [5.183958775837362]
ディープフェイク検出器は人口集団間で大きなパフォーマンスギャップを示す。
既存の公正なアプローチは、人口統計ラベル、再訓練、あるいは犠牲の正確さを必要とする。
バイアス軽減のためのプラグアンドプレイフレームワークであるFace-Fairness(FF)を紹介する。
論文 参考訳（メタデータ） (2026-06-03T05:44:29Z) - Unsupervised Domain Shift Detection with Interpretable Subspace Attribution [48.553902624178995]
ドメインシフトはデータセットの確率分布の微妙な違いである。
高次元特徴空間における局所密度異常を検出するアルゴリズムを用いて,これらのシフトを同定する。
ドメインシフトを小さな機能セットにトレースすることで、シフトを解釈できます。
論文 参考訳（メタデータ） (2026-05-15T12:58:00Z) - REMISVFU: Vertical Federated Unlearning via Representation Misdirection for Intermediate Output Feature [16.040317742756034]
本稿では,スプリットVFLシステムにおける高速かつクライアントレベルのアンラーニングを実現するための,プラグアンドプレイ表現ミスダイレクトフレームワークであるREMISVFUを提案する。
REMISVFUは, バックドア攻撃の成功を抑え, クリーンな精度の約2.5%を犠牲にしている。
論文 参考訳（メタデータ） (2025-12-11T07:05:36Z) - Real-Aware Residual Model Merging for Deepfake Detection [29.454462278073063]
ディープフェイクジェネレータは急速に進化し、徹底的なデータ収集と反復的な再訓練が不可能になる。
本稿では,Real-Aware Residual Model Merging (R$2$M)を提案する。
R$2$M はタスクベクトルの低ランク因数分解を通じて共有リアル成分を推定し、各専門家をリアル整列部分とフェイク残基に分解し、階層的なランク切り込みで残基を分解し、タスク毎のノルムマッチングでそれらを集約する。
論文 参考訳（メタデータ） (2025-09-29T07:10:03Z) - 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) - Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [61.45587642780908]
画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。
本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。
我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
論文 参考訳（メタデータ） (2025-03-12T15:46:12Z) - Divide and Contrast: Source-free Domain Adaptation via Adaptive
Contrastive Learning [122.62311703151215]
Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。
DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。
さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
論文 参考訳（メタデータ） (2022-11-12T09:21:49Z) - Boosting Few-shot Fine-grained Recognition with Background Suppression
and Foreground Alignment [53.401889855278704]
FS-FGR (Few-shot Fine-fine Recognition) は、限られたサンプルの助けを借りて、新しいきめ細かなカテゴリを認識することを目的としている。
本研究では,背景アクティベーション抑制 (BAS) モジュール,フォアグラウンドオブジェクトアライメント (FOA) モジュール,および局所的局所的(L2L) 類似度測定器からなる2段階の背景アライメントとフォアグラウンドアライメントフレームワークを提案する。
複数のベンチマークで行った実験により,提案手法は既存の最先端技術よりも大きなマージンで優れていることが示された。
論文 参考訳（メタデータ） (2022-10-04T07:54:40Z) - Global Distance-distributions Separation for Unsupervised Person
Re-identification [93.39253443415392]
既存の教師なしのReIDアプローチは、距離ベースのマッチング/ランク付けを通じて正のサンプルと負のサンプルを正しく識別するのに失敗することが多い。
本研究では,2つの分布に対する大域的距離分布分離の制約を導入し,大域的視点から正と負のサンプルを明確に分離することを奨励する。
本研究では,本手法がベースラインを大幅に改善し,最先端の性能を実現することを示す。
論文 参考訳（メタデータ） (2020-06-01T07:05:39Z)
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。