面向深度伪造检测的数据驱动公平性泛化

尽管深度伪造检测研究取得了进展，近期研究表明，这些检测器训练数据的偏见会导致在不同人口统计群体（如种族和性别）上表现有所差异。这些差异可能导致某些群体受到不公平的针对或排除。传统方法常依赖公平损失函数，但在应用于未见数据集时表现不佳，因此公平性泛化仍是一个挑战。本文提出了一种数据驱动框架，通过利用合成数据集和模型优化来解决深度伪造检测中的公平性泛化问题。我们的 approach 关注生成和利用合成数据，以增强不同人口统计群体之间的公平性。通过创建代表各种人口统计群体的多样化合成样本集，我们确保模型在平衡且具有代表性的数据集上进行训练。这种方法允许我们更有效地实现跨域公平性泛化。我们采用综合策略，利用合成数据、损失锋利度感知优化管道和多任务学习框架，构建更公平的训练环境，从而在内数据集和跨数据集评估中维持公平性。在多个基准深度伪造检测数据集上的大量实验表明，我们的方法在保持跨数据集公平性方面优于当前方法。我们的结果突显了合成数据集在实现公平性泛化方面的潜力，为深度伪造检测面临的挑战提供了稳健的解决方案。