聆听、分析、适应：面向音频深度伪造源追踪的无原型类递增学习方法

随着深度伪造语音变得常见且难以检测，追踪其来源已成为关键任务。近期研究旨在追踪合成或操纵语音的来源，但源追踪模型必须在不断学习新型深度伪造攻击的同时，保留对先前攻击的识别能力。这一主要挑战在于灾难性遗忘——模型会丢失对以前学习攻击的识别能力。虽然一些持续学习方法有助于深度伪造检测，但多类任务（如源追踪）会因类别数量增长而引入额外挑战。为此，我们提出了名为 AnaST 的分析类递增学习方法。当新攻击出现时，特征提取器保持固定，分类器通过闭形式解析解进行更新，仅需一个 epoch。该方法确保数据隐私，优化内存使用，适合在线训练。本文的实验表明，我们的方法在基线方法上取得了优异的性能。