解耦偏见、对齐分布：深度伪造检测的协同公平性优化
计算机视觉与模式识别
2026-03-09 v5
摘要
公平性是数字身份安全领域深度伪造检测模型可信部署的核心要素。针对不同人口统计群体（如性别和种族）的检测模型偏见可能导致系统性误判，加剧数字鸿沟和社会不平等。然而，当前的公平性增强检测器往往以牺牲检测准确率为代价来提升公平性。为此，我们提出一种双机制协作优化框架。我们的方法创新性地集成了结构化公平性解耦和全局分布对齐：在模型架构层面解耦对人口统计群体敏感的通道，随后在特征层面减少整体样本分布与各人口统计群体分布之间的距离。实验结果表明，与其他方法相比，我们的框架在保持跨域整体检测准确率的同时，显著提升了跨群体和类群体公平性。该代码已公开于https://github.com/ywh1093/Fairness-Optimization。
引用
@article{arxiv.2511.10150,
title = {Decoupling Bias, Aligning Distributions: Synergistic Fairness Optimization for Deepfake Detection},
author = {Feng Ding and Wenhui Yi and Yunpeng Zhou and Xinan He and Hong Rao and Shu Hu},
journal= {arXiv preprint arXiv:2511.10150},
year = {2026}
}