针对数据漂移和模型泛化的自适应元学习：用于鲁棒深度伪造检测的多智能体框架

人工智能，尤其是 genAI 的快速发展，为内容创建开辖了广阔可能，但也导致了虚假内容的广泛传播。深度伪造技术日益精细和逼真，引发对隐私侵犯、身份盗窃的担忧，并对社会、商业产生深远影响，包括声誉受损和经济损失。虽然已开发出许多深度伪造检测器，但面临着对未见情景和跨域深度伪造的泛化能力不足的问题。此外，对抗鲁棒性也是一个关键挑战，因为检测器对 slightest 微小变化的性能大幅下降。大多数最先进的检测器训练于静态数据集，缺乏适应新兴深度伪造攻击趋势的能力。尽管这三个挑战在实际应用中至关重要，尤其是在深度伪造领域，但也是其他 AI 应用的普遍问题。本文提出一种基于任务特定自适应样本合成和一致性正则化的对抗元学习算法。通过关注分类器的优势与弱点，该方法提升了模型的鲁棒性和泛化能力。此外，本文引入了具有层次结构的多智能体检索增强生成式工作流程，集成样本合成模块，以动态适应模型对新数据趋势的调整，通过生成定制深度伪造样本。本文进一步提出将元学习算法与层次化多智能体工作流程集成的框架，为提升泛化性、鲁棒性和适应性提供了综合解决方案。实验结果表明，该模型在各种数据集上均表现出稳定的性能，优于比较模型。