論文の概要: FYC: FPR-Disparity Weight Perturbation and Youden Calibration for Fair Deepfake Detection

• arxiv url: http://arxiv.org/abs/2610.37882v1
• Date: Tue, 27 Oct 2026 19:22:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 19:20:00.34228
• Title: FYC: FPR-Disparity Weight Perturbation and Youden Calibration for Fair Deepfake Detection
• Title（参考訳）: FYC:FPR-Disparity Weight Perturbation and Youden Calibration for Fair Deepfake Detection
• Abstract要約: ディープフェイク検出器は、誤差にかなりの人口差を示しながら、常に高い集合精度を達成する。 既存の治療法のほとんどは、公正を意識した目標と、人口統計学的にアノテートされたトレーニングデータによる完全なトレーニングを必要とする。 FPR-disparity Weight Perturbation and Youdenは、FPR-disparity criterionの下で検出器の重量を摂動する2段階のポストホック法である。
• 参考スコア（独自算出の注目度）: 1.3591163361204688
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deepfake detectors routinely achieve high aggregate accuracy while exhibiting substantial demographic disparities in their errors: false-positive rates differ by double digits across gender and skin tone. Most existing remedies require either full retraining with a fairness-aware objective or demographic-annotated training data, both impractical when only a pretrained checkpoint is available, while label-free post-hoc calibrators leave the detector's weights unchanged. We introduce FYC (FPR-disparity Weight Perturbation and Youden Calibration), a two-stage post-hoc method that perturbs a detector's weights under an FPR-disparity criterion, then calibrates a separate decision threshold for each demographic group - requiring no architectural changes and no full retraining. Evaluated against every detector benchmarked on AI-Face v2 across six intersectional gender x skin-tone groups, FYC outperforms the field on 18 of 21 reported fairness and utility metrics, including purpose-built fairness architectures, at a fraction of the training cost. We further identify why the choice of fairness criterion is critical: the original Demographic Parity objective used in prior weight-perturbation work is architecture-dependent and unpredictable, improving two of four evaluated architectures, leaving a third largely unchanged, and substantially degrading the fourth (PG-FDD), with no way to anticipate the outcome for a given checkpoint in advance. Conditioning the same objective on real images only - our FPR-disparity criterion - eliminates this unpredictability, improving fairness and accuracy jointly across all four architectures with no exceptions.
• Abstract（参考訳）: ディープフェイク検出器は、しばしば高い集計精度を達成し、エラーの人口統計学的相違を示す: 偽陽性率は、性別と肌のトーンの2桁によって異なる。 既存のほとんどの治療法は、公正を意識した目標または人口統計学的アノテートされたトレーニングデータによる完全なリトレーニングを必要としており、どちらも事前訓練されたチェックポイントのみが利用可能である場合に非実用的であり、ラベルのないポストホックキャリブレータは検出器の重みをそのまま残している。 FYC(FPR-disparity Weight Perturbation and Youden Calibration)は、FPR-disparity criterionの下で検出器の重量を摂動する2段階のポストホック法である。 AI-Face v2上で6つの交叉性xスキントーングループでベンチマークされたすべての検出器に対して評価され、FYCは、トレーニングコストのごく一部で、目的によって構築されたフェアネスアーキテクチャを含む、21のフェアネスとユーティリティメトリクスを報告した21の18の分野を上回っている。 事前の重量摂動作業で使用されるオリジナルのデモグラフィックパリティの目的は、アーキテクチャに依存して予測不可能であり、評価された4つのアーキテクチャのうち2つを改善し、3つ目がほとんど変化せず、4つ目(PG-FDD)を実質的に劣化させ、事前に与えられたチェックポイントの結果を予測する方法がない。 実際の画像のみに同じ目的 – 当社のFPR格差基準 – を条件にすることで、この予測不可能を排除し、例外なく4つのアーキテクチャ全体にわたって公正性と正確性を両立させる。

関連論文リスト

• Cross-Primitive Consistency in Jev [52.97484590293529]
  Jevは、型付きクエリプリミティブを通じて、大きな言語モデル(LLM)による効率的な意思決定を可能にする。 この研究は、クロスプライミティブな一貫性を評価するための4軸ベンチマークであるPrimaConsを紹介している。 冷凍バックボーンに軽量残留ネットワークを付加するCPRC(Cross-Primitive Residual Calibrator)を提案する。
  論文  参考訳（メタデータ） (2026-10-28T10:44:03Z)
• ReDiS: Reasoning-Diagnosis Self-Evolution for Multimodal Reasoning in Remote Sensing [53.65780048695954]
  我々は、推論探索と候補評価を分離するフレームワークである textbfReasoning-Diagnosis-Self-Evolution (ReDiS) を導入する。 多様な視覚的証拠を探索するtextbfReasoner と、完全な候補セットを共同で評価する textbfDiagnoser である。 LHRS-Bench, MME-RS, CHOICEの実験では、Qwen3.5バックボーンを0.8B, 2B, 4Bスケールで一貫した改善が見られた。
  論文  参考訳（メタデータ） (2026-10-13T13:38:02Z)
• StatD2GAN: When Calibration Masks Generator Quality in Held-Out Evaluation of Synthetic Weather Sequences [0.0]
  我々は,進化的重み適応を持つ3つの識別器GANであるStatD2GANの評価を,ホールドアウトプロトコルを中心に再構築した。 等方性キャリブレーションにより,コルモゴロフ-スミルノフ間距離は, 試験された全ての建築物に対して, 位置当たりのノイズ/シフトフロアの2%以内となることを示す。 選別表現判別器は、除去が多変量依存を著しく低下させる唯一の成分である。
  論文  参考訳（メタデータ） (2026-09-27T16:59:38Z)
• Beyond Accuracy: Assessing Calibration of Geospatial Foundation Models and Their Sensitivity to Distribution Shifts [15.070040506693738]
  重要なEOタスクへの約束された展開には、さらなる分析のアングルが必要であることを示す。 EOに制限されたエンコーダは、同様にタスク情報を失うことなく、汚職を免れる。 信頼に基づく棄権は、確実な誤った予測を先延ばしできない。
  論文  参考訳（メタデータ） (2026-08-17T14:16:14Z)
• DriftScope: Measuring The Hidden Effects of Diffusion Model Adaptation [50.584834483403675]
  新しい視覚概念を学習するか、望ましくないものを消去するか、事前学習したテキスト・画像拡散モデルに適応させることは、意図した効果だけで日常的に評価される。 適応が意味論的に無関係な概念を、構造的にメトリクスを集約することができない方法で体系的に損なうことを実証する。 DriftScopeは、任意の2つのモデルチェックポイントを取り込み、視覚的概念が最も移行したトークンのランクリストを返す、プロンプトレベルの診断ツールである。
  論文  参考訳（メタデータ） (2026-06-30T20:57:51Z)
• ANCHOR: Autoregressive Non-intrusive Chunk-Ordered Refinement for Joint Multi-Resolution Speech Quality Modeling [62.983372215479925]
  ストリーミングと生成システムは、部分的なオーディオから漸進的な推定を必要とする。 多分解能オートレタスクとしてインクリメンタルアセスメントを改良したANCHORを提案する。 2秒プレフィックスの48%のPLCMOSエラー削減を含む、部分入力下でのかなりの堅牢性を示す実験。
  論文  参考訳（メタデータ） (2026-06-08T22:46:30Z)
• Toward Calibrated, Fair, and accurate Deepfake Detection [5.183958775837362]
  ディープフェイク検出器は人口集団間で大きなパフォーマンスギャップを示す。 既存の公正なアプローチは、人口統計ラベル、再訓練、あるいは犠牲の正確さを必要とする。 バイアス軽減のためのプラグアンドプレイフレームワークであるFace-Fairness(FF)を紹介する。
  論文  参考訳（メタデータ） (2026-06-03T05:44:29Z)
• Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
  アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。 大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。 本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
  論文  参考訳（メタデータ） (2025-10-08T10:09:47Z)
• Fairness-enhancing mixed effects deep learning improves fairness on in- and out-of-distribution clustered (non-iid) data [6.596656267996196]
  フェア・ミックスド・エフェクト・ディープ・ラーニング(Fair MEDL)フレームワークを提案する。 本フレームワークは,1)不変なFEを学習するためのクラスタ逆効果,2)REのためのベイズニューラルネットワーク,3)最終的な予測のためにFEとREを組み合わせた混合関数,を通じて,クラスタ不変な固定効果(FE)とクラスタ固有ランダムエフェクト(RE)を定量化する。 公正なMEDLフレームワークは、年齢で86.4%、人種で64.9%、性で57.8%、結婚で36.2%の公正性を向上し、堅牢な予測性能を維持している。
  論文  参考訳（メタデータ） (2023-10-04T20:18:45Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

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。