論文の概要: Time to Fake It: Continual Machine Learning Intensifies Unfairness in Deepfake Detection

• arxiv url: http://arxiv.org/abs/2610.21974v1
• Date: Thu, 15 Oct 2026 14:30:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.127322
• Title: Time to Fake It: Continual Machine Learning Intensifies Unfairness in Deepfake Detection
• Title（参考訳）: フェイクする時間: ディープラーニングは、ディープフェイク検出における不公平を増大させる
• Abstract要約: ディープフェイク検知器は誤情報に対する保護を行い、その失敗を技術的な問題と同じくらい社会的なものにする。 発電機が常に進化するにつれて、静的データセットで訓練された検出器は新たに発生する脅威を見逃し、進行訓練は破滅的に干渉する。 我々は、11の現実世界のディープフェイク生成手法の時系列に基づいて、様々な人口層にまたがる4次元のフェアネスを、段階的に訓練された検出器に対して分析する。
• 参考スコア（独自算出の注目度）: 3.3025660761478934
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deepfake detectors safeguard against misinformation, rendering their failures as much a societal as a technical concern. As generators constantly evolve, detectors trained on static datasets miss newly arising threats, while progressive training interferes catastrophically. Yet, mitigating forgetfulness in terms of accuracy, the prevalent focus of continual learning (CL), is insufficient to reflect real-world impact. We therefore scrutinize the effects of CL methods with respect to evolving fairness. To this end, we analyze four dimensions of fairness across diverse demographics for detectors trained progressively on a chronological sequence of 11 real-world deepfake generation methods. Tracking fairness metrics over time, we expose non-trivial interplays between performance and fairness that depend on both the choice of CL algorithm and demographic intersections. We find accuracy degradation to typically exacerbate unfairness and, conversely, fairness improvements to remain scarce over time. Dissecting the CL method families (rehearsal, prompts, regularization), we observe that inequitable forgetting is not explained by underrepresentation alone, but likely entangled with representation learning. We thus issue a call to action for CL methods to take social outcomes into account when balancing the stability-plasticity tradeoff.
• Abstract（参考訳）: ディープフェイク検知器は誤情報に対する保護を行い、その失敗を技術的な問題と同じくらい社会的なものにする。 発電機が常に進化するにつれて、静的データセットで訓練された検出器は新たに発生する脅威を見逃し、進行訓練は破滅的に干渉する。 しかし、連続学習(CL)の焦点である精度の点で忘れやすさを緩和することは、現実世界への影響を反映するには不十分である。 したがって、進化する公正性に関してCL法の効果を精査する。 この目的のために,11個の実世界のディープフェイク生成手法の時系列に基づいて,様々な人口層を対象とした4次元のフェアネスを分析した。 時間とともにフェアネスの指標を追跡することで、CLアルゴリズムと人口統計の交叉の選択に依存する、パフォーマンスとフェアネスの間の非自明な相互作用を明らかにする。 私たちは、通常不公平を悪化させるための正確さの低下と、逆に公正さの改善が時間の経過とともに不足していることに気付きます。 CLメソッドファミリ(リハーサル,プロンプト,正規化)を識別すると,非表現だけでは説明できないが,表現学習に絡む可能性が示唆された。 そこで我々は,安定性と塑性のトレードオフのバランスをとる上で,社会的成果を考慮したCL手法の行動を呼びかける。

関連論文リスト

• Federated Unlearning in the Wild: Rethinking Fairness and Data Discrepancy [17.398539259901483]
  機械学習は「忘れられる権利」のようなデータ削除の権利を強制するために重要である 分散パラダイムとして、フェデレートラーニング(FL)もアンラーニングを必要とする。 We propose a novel, fairness-aware FU approach, Federated Cross-Client-Constrains Unlearning (FedCCCU)。
  論文  参考訳（メタデータ） (2025-10-08T13:47:19Z)
• Partial Identification Approach to Counterfactual Fairness Assessment [50.88100567472179]
  未知の対実的公正度尺度を高い信頼性で有界化するためのベイズ的アプローチを導入する。 以上の結果から、人種をアフリカ系アメリカ人に転換する際のCompASスコアに対する肯定的な(不快な)効果と、若年から高齢に移行する際の否定的な(直接的な因果関係)効果が明らかとなった。
  論文  参考訳（メタデータ） (2025-09-30T18:35:08Z)
• Unsupervised Hallucination Detection by Inspecting Reasoning Processes [53.15199932086543]
  非教師付き幻覚検出は、ラベル付きデータに頼ることなく、大規模言語モデル(LLM)が生成する幻覚コンテンツを特定することを目的としている。 本稿では,非教師なし幻覚検出フレームワークIRISを提案する。 我々の手法は完全に教師なし、計算コストが低く、訓練データが少ない場合でもうまく機能し、リアルタイム検出に適しています。
  論文  参考訳（メタデータ） (2025-09-12T06:58:17Z)
• Anomalous Decision Discovery using Inverse Reinforcement Learning [3.3675535571071746]
  異常検出は、知覚システムを通じて異常な行動を特定することによって、自律走行車(AV)において重要な役割を果たす。 現在のアプローチは、しばしば定義済みのしきい値や教師付き学習パラダイムに依存するが、目に見えないシナリオに直面すると効果が低下する。 異常検出のための新しいIRLフレームワークである Trajectory-Reward Guided Adaptive Pre-training (TRAP) を提案する。
  論文  参考訳（メタデータ） (2025-07-06T17:01:02Z)
• Accurate Forgetting for Heterogeneous Federated Continual Learning [89.08735771893608]
  提案手法は,フェデレーションネットワークにおける従来の知識を選択的に活用する新しい生成再生手法である。 我々は,従来の知識の信頼性を定量化するために,正規化フローモデルに基づく確率的フレームワークを用いる。
  論文  参考訳（メタデータ） (2025-02-20T02:35:17Z)
• Partial-Label Learning with a Reject Option [3.1201323892302444]
  提案手法は,リジェクションオプション付き最寄りのラベル付き部分ラベル学習アルゴリズムを提案する。 提案手法は,非退行予測の数値と精度の最良のトレードオフを提供する。 リジェクションオプションなしで評価すると、最寄りのアプローチも競合予測性能を達成する。
  論文  参考訳（メタデータ） (2024-02-01T13:41:44Z)
• Uncertainty-guided Boundary Learning for Imbalanced Social Event Detection [64.4350027428928]
  本研究では,不均衡なイベント検出タスクのための不確実性誘導型クラス不均衡学習フレームワークを提案する。 我々のモデルは、ほとんど全てのクラス、特に不確実なクラスにおいて、社会イベントの表現と分類タスクを大幅に改善する。
  論文  参考訳（メタデータ） (2023-10-30T03:32:04Z)
• Fairness without the sensitive attribute via Causal Variational Autoencoder [17.675997789073907]
  EUにおけるプライバシーの目的とRGPDのような多彩な規制のため、多くの個人機密属性は収集されないことが多い。 近年の開発成果を近似推論に活用することにより,このギャップを埋めるためのアプローチを提案する。 因果グラフに基づいて、機密情報プロキシを推論するために、SRCVAEと呼ばれる新しい変分自動符号化ベースのフレームワークを利用する。
  論文  参考訳（メタデータ） (2021-09-10T17:12:52Z)
• Can Active Learning Preemptively Mitigate Fairness Issues? [66.84854430781097]
  データセットバイアスは、機械学習における不公平な原因の1つです。 不確実性に基づくALで訓練されたモデルが保護クラスの決定において公平であるかどうかを検討する。 また,勾配反転(GRAD)やBALDなどのアルゴリズム的公正性手法の相互作用についても検討する。
  論文  参考訳（メタデータ） (2021-04-14T14:20:22Z)
• Fairness-Aware Learning from Corrupted Data [33.52974791836553]
  任意のデータ操作下での公平性を考慮した学習について検討する。 このバイアスの強さは、データ内の未表現の保護されたグループで学習する際の問題の増加を示す。 2つの自然学習アルゴリズムが、逆データ操作の精度と公正性の両面から順序-最適保証を実現することを証明した。
  論文  参考訳（メタデータ） (2021-02-11T13:48:41Z)
• ORDisCo: Effective and Efficient Usage of Incremental Unlabeled Data for Semi-supervised Continual Learning [52.831894583501395]
  連続学習は、入力されたデータが完全にラベル付けされていると仮定し、実際のアプリケーションでは適用できないかもしれない。 我々は、条件付き生成逆数ネットワーク(GAN)を用いた分類器を相互に学習するために、識別器整合(ORDisCo)を用いたディープオンライン再生を提案する。 ORDisCo が SSCL の様々な半教師付き学習ベンチマークデータセットで大幅なパフォーマンス向上を達成していることを示します。
  論文  参考訳（メタデータ） (2021-01-02T09:04:14Z)

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。