論文の概要: SE-ADD: Self-Evolving Audio Deepfake Detection with Mistake-Driven Supervision

• arxiv url: http://arxiv.org/abs/2609.39679v1
• Date: Wed, 30 Sep 2026 13:10:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.823027
• Title: SE-ADD: Self-Evolving Audio Deepfake Detection with Mistake-Driven Supervision
• Title（参考訳）: SE-ADD:ミステイク駆動型スーパービジョンによる自己進化型オーディオディープフェイク検出
• Abstract要約: オーディオディープフェイク検出(ADD)のためのスプーフィング環境の進化について紹介する。 低ランク適応(LoRA)を介してALMを適応する自己進化型フレームワークSE-ADDを提案する。 2つのALMの実験では、SE-ADDの攻撃の一般化効果を実証し、同じエラー率(EER)をQwen2-Audioの36.72%ドルから7.52%ドル、MOSS-Audioの19.93%ドルから3.97%ドルに下げた。
• 参考スコア（独自算出の注目度）: 17.124396732619697
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Audio deepfake detection (ADD) must remain effective when new spoofing attacks emerge after deployment. Emerging audio language model (ALM)-based ADD methods are built on predefined supervision from ground-truth labels or verified forensic rationales. However, this paradigm overlooks an ALM's own mistakes, which indicate where targeted supervision is most needed. To this end, we first introduce evolving spoofing environments for ALM-based ADD, where a new attack becomes dominant while previously observed attacks persist. Motivated by the above learning-from-mistakes perspective, we further propose SE-ADD, a self-evolving framework that iteratively adapts an ALM via low-rank adaptation (LoRA) using mistake-driven supervision built from its verdicts and self-generated forensic cues. All training samples receive direct authenticity supervision, while misclassified ones receive additional cue-augmented supervision. As verdicts and cues are regenerated by the updated ALM, the resulting supervision evolves accordingly. Experiments on two ALMs demonstrate the effectiveness of SE-ADD in generalizing to unseen attacks, reducing the equal error rate (EER) from $36.72\%$ to $7.52\%$ for Qwen2-Audio and from $19.93\%$ to $3.97\%$ for MOSS-Audio.
• Abstract（参考訳）: オーディオディープフェイク検出(ADD)は、デプロイ後に新たなスプーフィング攻撃が発生すると有効でなければならない。 新たな音声言語モデル (ALM) に基づくADD法は, 基礎トラストラベルや検証された法科学的根拠から事前定義された監督に基づいて構築される。 しかし、このパラダイムはALM自身の過ちを見落としており、ターゲットの監視が最も必要とされる場所を示している。 この目的のために, ALM ベースの ADD に対して, 従来観測されていた攻撃が継続する中で, 新たな攻撃が支配的になるような, 進化するスプーフィング環境を導入する。 上記の学習・ミステイクの観点から、我々はさらにSE-ADDを提案する。SE-ADDは低ランク適応(LoRA)を介してALMを反復的に適応する自己進化型フレームワークである。 すべてのトレーニングサンプルは直接の認証監督を受け、誤分類されたサンプルは追加のキュー強化監視を受ける。 評定と手がかりは更新されたALMによって再生されるので、その結果の監督は進化する。 2つのALMの実験では、SE-ADDの攻撃の一般化効果を実証し、同じエラー率(EER)を36.72.%から7.52.%に減らし、Qwen2-Audioは19.93.%から3.97.%に減らした。

関連論文リスト

• Perception, Verdict, and Evolution: Hindsight-Driven Self-Refining Forensics Agent for AI-Generated Image Detection [80.15317858033534]
  ForeAgentは、反復的な自己進化を伴うAI生成画像検出のためのエージェント法医学フレームワークである。 ForeAgentはChameleonベンチマークで最先端のパフォーマンスを達成し、精度は82.18%に達した。 ForeAgent は GPT-5 や GPT-5-mini と比較して、より一貫性があり、因果的な推論をもたらす。
  論文  参考訳（メタデータ） (2026-06-25T02:59:33Z)
• FoeGlass: Simple In-Context Learning Is Enough for Red Teaming Audio Deepfake Detectors [16.862375555609663]
  音声のディープフェイク検出モデルは、テキスト音声(TTS)モデルの悪意ある使用に対処するために重要である。 ADDのための最初のブラックボックス自動リピート方式であるFoeGlassを提案する。 また,FoeGlassは,非条件サンプリングベースラインと最近のスプーフィングデータセットの偽陰性率を最大94%向上させることを示した。
  論文  参考訳（メタデータ） (2026-06-03T17:04:26Z)
• ACORN-IDS: Adaptive Continual Novelty Detection for Intrusion Detection Systems [9.772864559539084]
  ACORN-IDSは適応型連続ノベルティ検出フレームワークである。 ラベルなしデータストリームを進化させながら、通常のデータからのみ学習する。 ACORN-IDSはF1スコアを62%改善し、ゼロデイ攻撃検出を58%改善した。
  論文  参考訳（メタデータ） (2026-02-07T00:47:38Z)
• Checkpoint-GCG: Auditing and Attacking Fine-Tuning-Based Prompt Injection Defenses [10.08464073347558]
  細調整による防御に対するホワイトボックス攻撃であるCheckpoint-GCGを導入する。 最強防衛に対する攻撃成功率(ASR)を最大96%まで達成できるチェックポイントGCGを示す。
  論文  参考訳（メタデータ） (2025-05-21T16:43:17Z)
• ALLM4ADD: Unlocking the Capabilities of Audio Large Language Models for Audio Deepfake Detection [57.29614630309265]
  オーディオディープフェイク検出(ADD)は、高忠実度音声生成モデルの台頭と誤用の可能性により、ますます重要になっている。 ALLM4ADD, ALLM-driven framework for ADDを提案する。具体的には, ADDタスクを音声質問応答問題として再構成し, モデルに「この音声は偽物か本物か?」という疑問を提起する。 提案手法は,特にデータスカースシナリオにおいて,偽音声検出において優れた性能が得られることを示す実験を行った。
  論文  参考訳（メタデータ） (2025-05-16T10:10:03Z)
• Revisiting Out-of-Distribution Detection in Real-time Object Detection: From Benchmark Pitfalls to a New Mitigation Paradigm [8.206992765692535]
  アウト・オブ・ディストリビューション(OoD)入力はディープラーニングモデルに永続的な課題をもたらす。 この研究は、物体検出におけるOoD検出の2つの見落としられた次元に対処する。 外部OoD検出器とは独立に動作する新しい訓練時間緩和パラダイムを導入する。
  論文  参考訳（メタデータ） (2025-03-10T13:42:41Z)
• Industrial Anomaly Detection and Localization Using Weakly-Supervised Residual Transformers [44.344548601242444]
  Weakly-supervised RESidual Transformer (WeakREST) という新しいフレームワークを導入し,高い異常検出精度を実現する。 画素単位の異常局所化タスクをブロック単位の分類問題に再構成する。 弱いラベルと残差に基づく表現との相互作用を処理できるResMixMatchアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-06-06T08:19:30Z)
• Augment and Criticize: Exploring Informative Samples for Semi-Supervised Monocular 3D Object Detection [64.65563422852568]
  我々は、一般的な半教師付きフレームワークを用いて、難解な単分子3次元物体検出問題を改善する。 我々は、ラベルのないデータから豊富な情報的サンプルを探索する、新しい、シンプルで効果的なAugment and Criticize'フレームワークを紹介します。 3DSeMo_DLEと3DSeMo_FLEXと呼ばれる2つの新しい検出器は、KITTIのAP_3D/BEV(Easy)を3.5%以上改善した。
  論文  参考訳（メタデータ） (2023-03-20T16:28:15Z)
• Temporal Action Detection with Multi-level Supervision [116.55596693897388]
  本稿では,ラベル付きデータとラベルなしデータを組み合わせたSemi-supervised Action Detection (SSAD)タスクを紹介する。 半教師付き分類タスクから直接適応したSSADベースラインの異なるタイプのエラーを解析する。 我々は,弱いラベル付きデータをSSADに組み込んで,3段階の監視レベルを持つOmni-supervised Action Detection (OSAD)を提案する。
  論文  参考訳（メタデータ） (2020-11-24T04:45:17Z)

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。