SFE-Net：利用差异基因表达的生物学原理提升深度学习网络中的特征选择
多媒体
2024-12-31 v1
摘要
在深度伪造检测领域，适应各种合成方法（如 Faceswap、Deepfakes、Face2Face 和 NeuralTextures）的挑战严重影响传统机器学习模型的性能。这些模型常因静态特征表示而难以在各类深层伪造数据集上保持一致表现。灵感来自差异基因表达的生物学概念，即基因激活会因环境刺激而动态调节，我们引入选择性特征表达网络（SFE-Net）。这种创新框架将选择性特征激活原理集成到深度学习架构中，使模型能够针对不同深层伪造生成技术动态调整特征优先级。SFE-Net 采用新机制， selectively 增强对于准确检测伪造信息至关重要的关键特征，同时减少无关或误导性线索的影响，类似于自然界中自适应进化过程。通过在多个深层伪造数据集上进行严格测试，SFE-Net 不仅在检测高级伪造信息方面超越现有静态模型，还在跨数据集场景中展现出增强的泛化能力。我们的 метод显著缓解了过拟合问题，通过在特征探索与开发之间保持动态平衡，从而产生更稳健且更有效的深度伪造检测模型。这种生物启发的策略为开发针对现代数字 Forensics 中多样化伪造挑战而精细调优的自适应深度学习系统铺平了道路。
引用
@article{arxiv.2412.20799,
title = {SFE-Net: Harnessing Biological Principles of Differential Gene Expression for Improved Feature Selection in Deep Learning Networks},
author = {Yuqi Li and Yuanzhong Zheng and Yaoxuan Wang and Jianjun Yin and Haojun Fei},
journal= {arXiv preprint arXiv:2412.20799},
year = {2024}
}
备注
5 pages,3 figures,2 charts,conference