論文の概要: DF-CBM: Region-Aware Concept Bottleneck Models for Deepfake Detection

• arxiv url: http://arxiv.org/abs/2609.35096v1
• Date: Mon, 28 Sep 2026 13:08:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 16:59:30.173311
• Title: DF-CBM: Region-Aware Concept Bottleneck Models for Deepfake Detection
• Title（参考訳）: DF-CBM:ディープフェイク検出のための領域認識概念ボトルネックモデル
• Abstract要約: 提案するDF-CBMは,説明可能なディープフェイク検出のための領域認識型概念ボトルネックモデルである。 DF-CBMはテキストアーティファクトアノテーションから操作に関連する概念のコンパクトな語彙を構築する。 実験の結果,DF-CBMは概念予測やディープフェイク分類において,概念ベースベースラインよりも優れていた。
• 参考スコア（独自算出の注目度）: 38.674213139779205
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deepfake detection methods have become increasingly effective yet most provide limited insight into the evidence behind their predictions. However, in forensic settings users also need to know which manipulation cues support the decision and where they appear. Existing explainability methods only partially address this need since localization-based approaches lack semantic descriptions while language-based explanation methods are only weakly grounded in visual evidence. In this work, we propose DF-CBM, a region-aware concept bottleneck model for explainable deepfake detection. DF-CBM builds a compact vocabulary of manipulation-related concepts from textual artifact annotations and links each concept to plausible facial and boundary regions. It then predicts these concepts from visual features using a concept-specific masked attention mechanism guided by parsed facial masks and the final real/fake decision is made from the predicted concept bottleneck. Our experiments show that DF-CBM outperforms concept-based baselines in concept prediction and deepfake classification while remaining competitive with state-of-the-art black-box detectors. Finally, qualitative results and intervention analyses demonstrate that DF-CBM provides spatially grounded concept evidence and enables counterfactual explanations of how individual manipulation concepts influence the final prediction. Our code is available at: https://github.com/GeorgeTsoumplekas/DF-CBM.
• Abstract（参考訳）: ディープフェイク検出法はますます効果的になっているが、ほとんどの場合、予測の背後にある証拠について限定的な洞察を与える。 しかし、法医学的な設定では、どの操作キューが決定をサポートし、どこに現れるかを知る必要がある。 既存の説明可能性法は、ローカライゼーションに基づくアプローチでは意味記述が欠如しており、言語に基づく説明法は、視覚的エビデンスに弱い根拠しか持たないため、このニーズに部分的に対処するしかなかった。 本研究では,DF-CBMを提案する。DF-CBMはディープフェイク検出のための領域認識型概念ボトルネックモデルである。 DF-CBMは、テキストアーティファクトアノテーションから操作に関連する概念のコンパクトな語彙を構築し、各概念をプラウシブルな顔領域と境界領域にリンクする。 次に、これらの概念を視覚的特徴から予測し、解析された顔マスクによってガイドされる概念固有のマスキングアテンションメカニズムを用いて、予測された概念ボトルネックから最終リアル/フェイク決定を行う。 実験の結果,DF-CBMは,最先端のブラックボックス検出器と競合しながら,概念予測とディープフェイク分類において,コンセプトベースベースラインを上回っていることがわかった。 最後に、定性的な結果と介入分析により、DF-CBMは空間的根拠を持つ概念証拠を提供し、個々の操作概念が最終的な予測にどのように影響するかを反実的に説明できることを示した。 私たちのコードは、https://github.com/GeorgeTsoumplekas/DF-CBMで利用可能です。

関連論文リスト

• Why Fake ? Unveiling the Semantic Vocabulary of Deepfake Detectors [42.085941481155295]
  ディープフェイク(DF)技術は情報の完全性に重大な脅威をもたらす。 DF検出器は、入力が本物か偽かのバイナリラベルを予測することのみを考える。 本研究では、最先端のブラックボックスDF検出器を解析するために、ポストホック説明可能なAI(XAI)の使用について検討する。
  論文  参考訳（メタデータ） (2026-07-08T09:56:06Z)
• ForensicConcept: Transferable Forensic Concepts for AIGI Detection [81.29606528968698]
  本稿では,検出器から明示的な法医学的概念を抽出し,背骨間の移動を可能にするフレームワークであるForensicConceptを提案する。 提案手法は,Transformer Attributionを用いて決定クリティカルパッチをローカライズし,それらをコンパクトな概念コードブックにまとめる。
  論文  参考訳（メタデータ） (2026-06-05T08:25:34Z)
• Probabilistic Concept Graph Reasoning for Multimodal Misinformation Detection [50.08054676999716]
  確率論的概念グラフ推論(PCGR)は,マルチモーダルな誤情報検出を構造化および概念ベース推論として再構成する,解釈可能かつ進化可能なフレームワークである。 PCGRは、最先端のMDD精度と、新たな操作タイプに対する堅牢性を達成し、粗い検出ときめ細かい操作認識の両方において、先行手法より優れている。
  論文  参考訳（メタデータ） (2026-03-26T09:08:31Z)
• DCBM: Data-Efficient Visual Concept Bottleneck Models [13.36057999450821]
  概念ボトルネックモデル(CBM)は、人間の理解可能な概念をベースとした予測によって、ニューラルネットワークの解釈可能性を高める。 我々は,解釈可能性を維持しつつ,概念生成時の大規模なサンプルサイズの必要性を低減できるデータ効率のCBMを提案する。
  論文  参考訳（メタデータ） (2024-12-16T09:04:58Z)
• Discover-then-Name: Task-Agnostic Concept Bottlenecks via Automated Concept Discovery [52.498055901649025]
  ディープニューラルネットワークの「ブラックボックス」問題に対処するために、概念ボトルネックモデル(CBM)が提案されている。 本稿では,典型的なパラダイムを逆転させる新しいCBMアプローチであるDiscover-then-Name-CBM(DN-CBM)を提案する。 我々の概念抽出戦略は、下流のタスクに非依存であり、既にそのモデルに知られている概念を使用するため、効率的である。
  論文  参考訳（メタデータ） (2024-07-19T17:50:11Z)
• Can we Constrain Concept Bottleneck Models to Learn Semantically Meaningful Input Features? [0.6401548653313325]
  概念ボトルネックモデル(CBM)は、人間の定義した概念の集合を最初に予測するため、本質的に解釈可能であるとみなされる。 現在の文献では、概念予測は無関係な入力特徴に依存することが多いことを示唆している。 本稿では,CBMが概念を意味的に意味のある入力特徴にマッピングできることを実証する。
  論文  参考訳（メタデータ） (2024-02-01T10:18:43Z)
• Beyond Concept Bottleneck Models: How to Make Black Boxes Intervenable? [8.391254800873599]
  本稿では,設計によって解釈できない事前学習型ニューラルネットワークに対して,概念に基づく介入を行う手法を提案する。 我々は、インターベンタビリティの概念を概念に基づく介入の有効性の尺度として定式化し、この定義を微調整ブラックボックスに活用する。
  論文  参考訳（メタデータ） (2024-01-24T16:02:14Z)
• Unsupervised Interpretable Basis Extraction for Concept-Based Visual Explanations [44.033369364364084]
  本研究は,CNN画像分類器の予測と中間層表現を,人間の理解可能な概念の観点から説明しようとするものである。 ボトムアップアプローチを採用し、概念ラベルの監督に頼ることなく、機能空間の構造から方向を一括して識別する。 既存の基盤解釈可能性指標の拡張を行い、抽出したベースに変換すると中間層表現がより解釈可能であることを示す。
  論文  参考訳（メタデータ） (2023-03-19T00:37:19Z)

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。