論文の概要: Unsupervised Data Drift Monitoring for Deployed Deepfake Speech Detectors

• arxiv url: http://arxiv.org/abs/2610.16826v1
• Date: Mon, 12 Oct 2026 14:08:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.382975
• Title: Unsupervised Data Drift Monitoring for Deployed Deepfake Speech Detectors
• Title（参考訳）: ディープフェイク音声検出装置の非教師付きデータドリフトモニタリング
• Abstract要約: 本稿では,非監視型ドリフトモニタを提案する。 モニタは、正規化マハラノビス距離を用いて、各入力をボナファイドとスプーフ参照と比較する。 本研究は,ディープフェイク音声検出装置をバイナリ分類だけでなく,信頼性問題として扱うことを示唆している。
• 参考スコア（独自算出の注目度）: 0.18665975431697432
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Deepfake speech detectors are typically evaluated as binary classifiers on fixed benchmarks, but deployed systems face evolving attacks, codecs, speakers, and recording conditions, with labels unavailable during operation. This makes it difficult to know when a detector operates in familiar conditions and can be relied on. We propose an unsupervised drift monitor that operates on the internal embeddings of a deployed detector. The monitor compares each input against bona fide and spoof references using regularized Mahalanobis distances. These distances define trusted, ambiguous, and novel regions of the detector embedding space, allowing unfamiliar inputs to be routed for review. We evaluate the monitor on four modern detectors on three datasets. The monitor raises alerts for dataset mismatches and substantially reduces the security-critical case of accepting deepfakes at the cost of reduced automatic coverage. The results also show that drift affects both classes: bona fide recordings can move away from the training reference, increasing alert rates even in in-domain settings. Our findings suggest that deployed deepfake speech detectors should be treated not only as a binary classification, but also as a reliability problem.
• Abstract（参考訳）: ディープフェイク音声検出装置は通常、固定ベンチマーク上でバイナリ分類器として評価されるが、展開されたシステムは、操作中にラベルが利用できない、進化する攻撃、コーデック、スピーカー、記録条件に直面している。 これにより、検出器がよく知られた状態で動作し、依存できるかどうかを知るのが難しくなる。 本稿では,非監視型ドリフトモニタを提案する。 モニタは、正規化マハラノビス距離を用いて、各入力をボナファイドとスプーフ参照と比較する。 これらの距離は、検出器の埋め込み空間の信頼された、曖昧で、新しい領域を定義し、不慣れな入力をレビューするためにルーティングすることができる。 3つのデータセット上で4つの現代の検出器のモニタを評価する。 このモニタは、データセットのミスマッチのアラートを上昇させ、自動カバレッジの削減を犠牲にしてディープフェイクを受け入れるセキュリティクリティカルなケースを大幅に削減する。 また、ドリフトが両方のクラスに影響を与えることも示している。ボナ・フェイド記録はトレーニング基準から離れ、ドメイン内の設定でも警告率を増加させる。 本研究は,ディープフェイク音声検出装置をバイナリ分類だけでなく,信頼性問題として扱うことを示唆している。

関連論文リスト

• Learning to Detect Shifts in Unstructured Data Streams via Monitoring-by-Betting [10.216688930115284]
  生成AIシステムの継続的監視には、構造化されていないデータの分散シフトを検出する必要がある。 既存の監視方法は、通常、 *pre-specified* であるシフトを検出するために使用される不一致の指標を要求することによって、偽の警報を制御する。 我々は,組込みから学習するブラックボックスベクターから,LSMが提案する概念に基づく解釈可能なベクターまで,適応的なモニタリング戦略を開発する。
  論文  参考訳（メタデータ） (2026-10-12T21:05:26Z)
• Detection-Guided Adaptive Purification with Diffusion Models for Robust Audio Deepfake Detection [3.994114606137195]
  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。
  論文  参考訳（メタデータ） (2026-10-07T18:19:55Z)
• What the Detector Can See: Evaluating CPS Anomaly Detectors Independently of the Decision Rule [6.145872664954402]
  異常検知器は、しばしばサイバー物理システムの最後の防御線である。 これらの検出器は通常、単一の動作点における精度、リコール、F1を用いて比較される。 我々は、CPS異常検出器を2段階のパイプラインとして扱う:ステージ1は残差に観測をマッピングし、ステージ2は残差をアラームにマッピングする。 我々は,3つのCPSベンチマーク(SWaT,WADI,HAI)の5つの検出器を評価した。
  論文  参考訳（メタデータ） (2026-08-03T19:35:00Z)
• Detecting Object Tracking Failure via Sequential Hypothesis Testing [80.7891291021747]
  ビデオにおけるリアルタイムのオンラインオブジェクト追跡は、コンピュータビジョンにおける中核的なタスクである。 本稿では,物体追跡を逐次的仮説テストとして解釈することを提案する。 本研究では,地中追跡情報と内部追跡情報の両方を活用することにより,教師なしと教師なしの両方の変種を提案する。
  論文  参考訳（メタデータ） (2026-02-13T14:57:15Z)
• Advancing Machine-Generated Text Detection from an Easy to Hard Supervision Perspective [108.30620357325559]
  既存の機械生成テキスト(MGT)検出手法は、ラベルを「黄金標準」として暗黙的に仮定する このような不正確な条件下での信頼性の高い監視を実現するための,容易かつハードな強化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-02T15:59:31Z)
• Beyond Linear Probes: Dynamic Safety Monitoring for Language Models [67.15793594651609]
  従来の安全モニタは、クエリ毎に同じ量の計算を必要とする。 動的アクティベーションモニタリングのための線形プローブの自然な拡張であるTrncated Polynomials (TPCs)を紹介する。 我々の重要な洞察は、TPCを段階的に、短期的に訓練し、評価できるということです。
  論文  参考訳（メタデータ） (2025-09-30T13:32:59Z)
• Why Speech Deepfake Detectors Won't Generalize: The Limits of Detection in an Open World [11.238970239267248]
  音声ディープフェイク検出器は、しばしばクリーンでベンチマークスタイルの条件で評価される。 しかしデプロイメントは、デバイスのシフト、サンプリング率、コーデック、環境、攻撃家族といったオープンな世界で発生します。 これにより、AIベースの検出器に対する"カバレッジ負債"が発生し、収集可能なデータよりも高速に成長するデータ盲点が生成される。
  論文  参考訳（メタデータ） (2025-09-23T20:27:04Z)
• Out-Of-Distribution Detection Is Not All You Need [0.0]
  我々は,OOD検出は効率的なランタイムモニタの設計に適したフレームワークではないと主張している。 OOD設定におけるモニタの学習は誤解を招く可能性があることを示す。 また、誤ったトレーニングデータサンプルを削除することで、より良いモニターをトレーニングできることも示しています。
  論文  参考訳（メタデータ） (2022-11-29T12:40:06Z)
• Supervision by Registration and Triangulation for Landmark Detection [70.13440728689231]
  本稿では,マルチビュー映像を用いた教師なし手法である登録・三角測量(srt)による監視を行い,ランドマーク検出器の精度と精度を向上させる。 ラベルのないデータを活用することで、検出者は大量のラベルのないデータから自由に学べる。
  論文  参考訳（メタデータ） (2021-01-25T02:48:21Z)
• Self-Supervised Person Detection in 2D Range Data using a Calibrated Camera [83.31666463259849]
  2次元LiDARに基づく人検出器のトレーニングラベル(擬似ラベル)を自動生成する手法を提案する。 擬似ラベルで訓練または微調整された自己監視検出器が,手動アノテーションを用いて訓練された検出器を上回っていることを示した。 私達の方法は付加的な分類の努力なしで配置の間に人の探知器を改善する有効な方法です。
  論文  参考訳（メタデータ） (2020-12-16T12:10:04Z)

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。