朝向校准、公平且准确的深度伪造检测

arXiv cs.LG 论文
deepfake-detection fairness bias-mitigation calibration demographic-fairness plug-and-play

摘要

介绍Face-Fairness (FF)，一种用于深度伪造检测中偏见缓解的即插即用框架，其中Face-Feature Tuning (FFT)作为首个无需人口统计标签的公平性方法，能够提升群体准确率并缩小不同人口统计群体间的性能差距。

arXiv:2606.09881v1 公告类型：新论文 摘要：深度伪造检测器在不同人口统计群体间存在较大的性能差距。现有的公平性方法需要人口统计标签、重新训练或牺牲准确率。我们提出Face-Fairness (FF)，一种用于偏见缓解的即插即用框架。我们最主要的贡献是Face-Feature Tuning (FFT)，这是首个在深度伪造检测中无需人口统计标签的公平性方法：一个轻量级校准器，通过对冻结的人脸嵌入进行条件逻辑回归映射。我们为FF提供了两种变体：FF-Max，在人口统计标签可用时最大化最差群体准确率；以及FF-Discover，通过嵌入发现群体实现相同目标。在域内和跨数据集测试设置下，FF一致地降低了FPR/TPR差距并提高了最小群体准确率，同时保持了（通常提升了）整体准确率。该方法与检测器无关，增加了可忽略的运行时开销，且无需访问身份属性。
查看原文
查看缓存全文

缓存时间: 2026/06/10 06:15 

# 迈向校准、公平且精准的深度伪造检测
来源：https://arxiv.org/abs/2606.09881
查看 PDF（https://arxiv.org/pdf/2606.09881）

> **摘要：**深度伪造检测器在不同人群组之间表现出巨大的性能差距。现有的公平性方法需要人口统计标签、重新训练或牺牲准确率。我们提出 Face-Fairness（FF），一个即插即用的偏差缓解框架。我们的主要贡献在于 Face-Feature Tuning（FFT），这是首个无需人口统计标签的深度伪造检测公平性方法：一个轻量级校准器，基于冻结的人脸嵌入进行 logit 重映射。我们还为 FFT 补充了两种变体：FF-Max，在拥有人口统计信息时最大化最差组准确率；以及 FF-Discover，通过嵌入发现的分组实现相同目标。在领域内和跨数据集测试场景中，FF 持续降低 FPR/TPR 差距并提升最小分组准确率，同时保持（通常提升）整体准确率。该方法与检测器无关，仅增加可忽略的运行时开销，且无需访问身份属性。

## 提交历史

来自：Ryan Brown \[查看邮件（https://arxiv.org/show-email/f8990f23/2606.09881）\] **\[v1\]** 2026年6月3日，星期三 05:44:29 UTC（407 KB）

相似文章

Alpha 混合假说：深度伪造检测中的合成捷径

Hugging Face Daily Papers

本文提出了 Alpha 混合假说，认为深度伪造检测器主要识别的是图像合成伪影，而非语义异常。文章提出了一种名为 BlenD 的方法，通过仅使用真实图像并与自混合图像进行数据增强，实现了卓越的跨数据集泛化能力。

通过将公平性视为对称操作来检测和缓解偏见

arXiv cs.AI

本文提出将公平性视为机器学习分类器中的对称操作，通过基于损失的规范化来实现在固定能力特征的同时，交换敏感属性时的不变性。该框架实现了超过90%的偏见减少，且准确率损失极小，无需因果图知识。

在日用设备上启用隐私保护型 AI 训练

MIT News — Artificial Intelligence

麻省理工学院研究人员开发了一种名为 FTTE 的新框架，将隐私保护型联邦学习的速度提升了 81%，使得在智能手表和传感器等资源受限的边缘设备上高效进行 AI 训练成为可能。