自适应均衡：面向深度伪造模型通用中断的动态权重框架
机器学习
2026-05-04 v1 计算机视觉与模式识别
摘要
深度伪造（deepfake）模型的通用干扰发展受到中断不平衡的限制，这一根本性瓶颈源于通用扰动的生成。我们指出，传统的静态梯度归一化在解决架构冲突方面根本性地难题，导致优化偏向于易受攻击的模型，而忽略了抗性模型。我们认为，要实现高且一致的干扰效果，必须通过达到自适应均衡来解决这一不平衡。我们提出了自适应均衡框架（Adaptive Equilibrium Framework, AEF），该框架采用动态权重机制，利用实时损失反馈自适应地为最具抗性的模型分配更大的中断权重。这一方法将优化从平均情况问题转变为寻找动态平衡，使扰动驱动到均匀有效的均衡状态。全面的实验验证表明，AEF 实现了更均衡的中断性能，在评估的多样化架构中保持一致的中断成功率。
引用
@article{arxiv.2605.00443,
title = {Adaptive Equilibrium: Dynamic Weighting Framework for Generalized Interruption of DeepFake Models},
author = {Hongrui Zheng and Liejun Wang and Zhiqing Guo},
journal= {arXiv preprint arXiv:2605.00443},
year = {2026}
}
备注
11pages,5 figures