面向稳健现实音频深度伪造检测: 关闭解释性差距
机器学习
2024-10-11 v1 声音
音频与语音处理
摘要
AI 生成或操纵的音频深度伪造技术的快速传播，构成了媒体真实性与选举安全的重大挑战。当前基于 AI 的检测方案缺乏解释性且在现实场景下表现不佳。本文引入新型解释性方法，用于当前基于变形器的音频深度伪造检测器，并开源全新的现实场景通用性基准。通过缩小基于变形器的音频深度伪造检测器与传统方法之间的解释性差距，我们的研究不仅增强人类专家的信任，还为突破音频深度伪造检测中的可扩展性问题提供了可能——即利用公民智慧。
引用
@article{arxiv.2410.07436,
title = {Toward Robust Real-World Audio Deepfake Detection: Closing the Explainability Gap},
author = {Georgia Channing and Juil Sock and Ronald Clark and Philip Torr and Christian Schroeder de Witt},
journal= {arXiv preprint arXiv:2410.07436},
year = {2024}
}