基于辅助信息采样的排练方法用于音频深度伪造检测
声音
2026-01-22 v1 人工智能
密码学与安全
机器学习
音频与语音处理
摘要
现有的音频深度伪造检测框架在面对新型深度伪造攻击时性能会下降。基于排练的持续学习（CL）通过使用少量旧数据样本更新模型，有助于在吸收新信息的同时保留先验知识。然而，现有的排练技术无法有效捕捉音频特征的多样性，从而引入偏差并增加遗忘的风险。为了应对这一挑战，我们提出了基于辅助信息采样的排练方法（RAIS），这是一种用于音频深度伪造检测的基于排练的 CL 方法。RAIS 采用标签生成网络生成辅助标签，以指导记忆缓冲区的多样化样本选择。大量实验表明，RAIS 优于 state-of-the-art 方法，在五项任务中实现了 1.953% 的平均等错误率（EER）。代码可在以下地址获取：https://github.com/falihgoz/RAIS。
引用
@article{arxiv.2505.24486,
title = {Rehearsal with Auxiliary-Informed Sampling for Audio Deepfake Detection},
author = {Falih Gozi Febrinanto and Kristen Moore and Chandra Thapa and Jiangang Ma and Vidya Saikrishna and Feng Xia},
journal= {arXiv preprint arXiv:2505.24486},
year = {2026}
}
备注
Accepted by Interspeech 2025