論文の概要: Detection-Guided Adaptive Purification with Diffusion Models for Robust Audio Deepfake Detection

• arxiv url: http://arxiv.org/abs/2610.10752v1
• Date: Wed, 07 Oct 2026 18:19:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.625669
• Title: Detection-Guided Adaptive Purification with Diffusion Models for Robust Audio Deepfake Detection
• Title（参考訳）: ロバストオーディオディープフェイク検出のための拡散モデルを用いた検出誘導適応浄化
• Abstract要約: 検出誘導適応浄化(英: Detection-Guided Adaptive Purification, DGAP)は、入力1回あたりの浄化強度を調整する拡散型防御法である。 本研究では,3つのディープフェイク検出器における3つの対向攻撃設定に対する枠組みの評価を行い,既存の9つの防御装置と比較した。
• 参考スコア（独自算出の注目度）: 3.994114606137195
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Audio deepfake detectors remain vulnerable to adversarial perturbations that suppress the acoustic cues used for detection, allowing manipulated utterances to evade the detector. Although existing defenses can improve robustness, they require retraining the detector or introduce additional distortion. Diffusion-based purification instead leaves the pretrained detector unchanged, but existing methods use the same purification strength for all inputs, creating a trade-off between removing adversarial perturbations and preserving the subtle spoofing cues needed for detection. In this paper, we propose Detection-Guided Adaptive Purification (DGAP), a diffusion-based defense that adjusts purification strength per input. Building on the observation that a light purification perturbs the detector score of an adversarial input far more than that of a benign one, the framework uses the resulting score shift as a reference-free indicator of adversarial manipulation. Inputs with small shifts are passed unchanged, whereas flagged inputs undergo stronger purification before final detection. We evaluate the framework against three adversarial attack settings across three deepfake detectors, and compare it with nine existing defenses. Our results show that DGAP achieves the best defense performance across all detectors while leaving benign inputs nearly unaffected, and remains effective under the defense-aware adaptive attack.
• Abstract（参考訳）: オーディオディープフェイク検出器は、検出に使用される音響的手がかりを抑える敵の摂動に弱いままであり、操作された発話によって検出器を回避できる。 既存の防御は堅牢性を改善することができるが、検出器を再訓練するか、さらなる歪みを導入する必要がある。 拡散に基づく浄化は、事前に訓練された検出器をそのまま残すが、既存の方法は全ての入力に対して同じ浄化強度を使用し、敵の摂動を除去し、検出に必要な微妙なスプーフングキューを保存するためのトレードオフを生み出している。 本稿では,入力毎の浄化強度を調整する拡散型防御法である検出誘導適応浄化法(DGAP)を提案する。 光浄化が良性よりもはるかに多くの敵入力の検出器スコアを乱すという観察に基づいて、このフレームワークは、結果のスコアシフトを敵操作の基準フリー指標として利用する。 小さいシフトの入力は変更されないが、フラグ付き入力は最終検出前により強い浄化を行う。 本研究では,3つのディープフェイク検出器における3つの対向攻撃設定に対する枠組みの評価を行い,既存の9つの防御装置と比較した。 以上の結果から,DGAPは全検出器で最高の防御性能を示しつつも,ベニグインプットにほとんど影響がなく,防御対応攻撃下でも有効であることが示唆された。

関連論文リスト

• Backdoor as Probe: Test-Time Adversarial Defense for CLIP [64.795947088543]
  テストタイムの敵防衛は、CLIPのようなビジョン言語基盤モデルの堅牢性を改善する。 バックドアのトリガー・ツー・ターゲット機構を再利用することにより、敵のアクティベーションシフトを防御信号に変換する。 この知見に基づいて,CLIP に対するテスト時対抗防御である Probe (BaP) として emphBackdoor を提案する。
  論文  参考訳（メタデータ） (2026-09-28T08:53:23Z)
• Backdoor Mitigation in Object Detection via Adversarial Fine-Tuning [10.393154496941527]
  バックドア攻撃は、安全クリティカルな視覚システムに深刻な脅威をもたらす。 適応微調整は、分類において一般的なバックドア緩和手法である。 物体検出バックドアの軽減のための検出対応逆調整フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-07T09:33:06Z)
• RADAR: Retrieval-Augmented Detector with Adversarial Refinement for Robust Fake News Detection [50.073924438848316]
  本稿では,強靭な偽ニュース検出のための対角補正機能を備えた検索拡張検出器RADARを提案する。 提案手法では,現実の物品を現実の摂動で書き直すジェネレータを用いて,高密度経路探索によるクレームの検証を行う軽量検出器と組み合わせる。
  論文  参考訳（メタデータ） (2026-01-07T14:52:15Z)
• Fortify the Guardian, Not the Treasure: Resilient Adversarial Detectors [0.0]
  アダプティブアタックとは、攻撃者が防御を意識し、その戦略を適応させる攻撃である。 提案手法は, クリーンな精度を損なうことなく, 敵の訓練を活用して攻撃を検知する能力を強化する。 CIFAR-10とSVHNデータセットの実験的評価により,提案アルゴリズムは,適応的敵攻撃を正確に識別する検出器の能力を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2024-04-18T12:13:09Z)
• Adversarial Text Purification: A Large Language Model Approach for Defense [25.041109219049442]
  敵の浄化は、敵の攻撃に対して分類器を保護するための防御機構である。 そこで本稿では,大規模言語モデルの生成能力を生かした,新たな逆文清浄法を提案する。 提案手法は,様々な分類器に対して顕著な性能を示し,攻撃時の精度を平均65%以上向上させる。
  論文  参考訳（メタデータ） (2024-02-05T02:36:41Z)
• Scalable Ensemble-based Detection Method against Adversarial Attacks for speaker verification [73.30974350776636]
  本稿では,一貫した枠組みにおける主流浄化手法を包括的に比較する。 本稿では, 検出のための高度浄化モジュールを組み込んだ, 簡単に追従できるアンサンブル手法を提案する。
  論文  参考訳（メタデータ） (2023-12-14T03:04:05Z)
• D4: Detection of Adversarial Diffusion Deepfakes Using Disjoint Ensembles [26.905553663353825]
  ブラックボックスの対向ロバスト性を改善するためにD4(Disjoint Diffusion Deepfake Detection)を提案する。 D4は、周波数スペクトルの非結合部分集合上のモデルのアンサンブルを使用して、対向ロバスト性を大幅に改善する。 我々は,いくつかのブラックボックス攻撃に対してD4法を実証的に検証し,D4が既存の最先端防御よりも著しく優れていることを発見した。
  論文  参考訳（メタデータ） (2022-02-11T15:21:11Z)
• Adversarially Robust One-class Novelty Detection [83.1570537254877]
  既存のノベルティ検出器は敵の例に感受性があることが示される。 本稿では, 新規性検知器の潜伏空間を制御し, 敵に対する堅牢性を向上する防衛戦略を提案する。
  論文  参考訳（メタデータ） (2021-08-25T10:41:29Z)
• Robust and Accurate Object Detection via Adversarial Learning [111.36192453882195]
  この研究は、逆の例を探索することで、物体検出器の微調整段階を補強する。 提案手法は,オブジェクト検出ベンチマークにおいて,最先端のEfficientDetsの性能を+1.1mAP向上させる。
  論文  参考訳（メタデータ） (2021-03-23T19:45:26Z)
• Detection as Regression: Certified Object Detection by Median Smoothing [50.89591634725045]
  この研究は、ランダム化平滑化による認定分類の最近の進歩によって動機付けられている。 我々は、$ell$-bounded攻撃に対するオブジェクト検出のための、最初のモデル非依存、トレーニング不要、認定された防御条件を得る。
  論文  参考訳（メタデータ） (2020-07-07T18:40:19Z)

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。