公正で解釈可能なディープフェイクの動画検出

本論文では、既存のディープフェイク検出手法がしばしばバイアスを示し、透明性が欠け、時間的情報を捉えられない問題を指摘しています。このため、異なる人口グループ間での偏った判断と信頼性のない結果が生じています。著者らは、公正性に配慮したディープフェイク検出フレームワークを提案し、時間的特徴学習と人口に配慮したデータ拡張を統合しています。この方法は、ディープフェイク動画の時間的モデリングを行うためにシーケンスベースのクラスタリングを利用し、概念抽出によって検出の信頼性を向上させます。また、非専門家ユーザー向けに解釈可能な判断を促進します。さらに、人口に配慮したデータ拡張法を導入し、過少代表のグループをバランスさせることでバイアスを緩和し、一般化能力を向上させています。実験結果は、最先端のアーキテクチャを使用して提案手法の公正性と精度の最適なトレードオフを示しています。