深度假新闻检测中的压缩与迁移学习技术简述
机器学习
2025-05-01 v1 人工智能
摘要
在边缘设备上训练和部署深度假新闻检测模型可通过处理靠近数据源的方式维护数据隐私和保密性，但该方法受限于边缘设备可用计算和内存资源。为解决这一挑战，我们探索了压缩技术以降低计算需求和推理时间，以及迁移学习方法以最小化训练开销。使用 Synthbuster、RAISE 和 ForenSynths 数据集，我们评估了剪枝、知识蒸馏（KD）、量化、微调和适配器技术的有效性。我们的实验结果表明，压缩和迁移学习均可在压缩率达90%的情况下保持相同性能水平，当训练和验证数据来自相同的深度假新闻模型时。然而，当测试数据集由训练集中未出现的深度假新闻模型生成时，便显现出域泛化问题。
引用
@article{arxiv.2504.21066,
title = {A Brief Review for Compression and Transfer Learning Techniques in DeepFake Detection},
author = {Andreas Karathanasis and John Violos and Ioannis Kompatsiaris and Symeon Papadopoulos},
journal= {arXiv preprint arXiv:2504.21066},
year = {2025}
}