在深度伪造检测中保持公平泛化

尽管近年来已经开发出有效的深度伪造检测模型，但最近的研究表明，这些模型可能导致不同人口群体（如种族和性别）之间的性能不公平。这可能导致特定群体面临不公平的针对或排除在检测之外，可能使错误分类的深度伪造操纵公众舆论并破坏对模型的信任。解决此问题的现有方法是提供公平损失函数。它在域内评估中表现出良好的公平性能，但在跨域测试中无法保持公平。这凸显了在对抗深度伪造中公平泛化的重要性。在这项工作中，我们提出了第一种通过同时考虑特征、损失和优化方面来解决深度伪造检测中公平泛化问题的方法。我们的方法采用解耦学习来提取与人口统计和领域无关的伪造特征，并将它们融合以在平坦的损失景观上鼓励公平学习。在著名深度伪造数据集上的大量实验证明了我们方法的有效性，在跨域深度伪造检测中保持公平性方面超越了最先进的方法。代码可在https://github.com/Purdue-M2/Fairness-Generalization获取。