研究人员已经证明，音频深度伪造检测模型的解释是可以被操纵的。通过引入不易察觉的扰动，攻击者可以在不改变音频片段是否为深度伪造的最终预测的情况下，改变模型的归因热图。这种漏洞在各种最先进的架构上进行了测试，突显了当前音频分析可解释性方法的潜在弱点。 AI
影响 揭示了人工智能模型解释中的一个漏洞，可能影响音频深度伪造检测系统的信任和安全。
排序理由 该集群包含一篇详细介绍人工智能模型可解释性研究成果的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.14466v1 Announce Type: cross Abstract: This paper investigates the fragility of post-hoc explanation methods in audio deepfake detection. While previous work on explanation manipulation focused on images using standard $L_p$ metrics, we introduce a psychoacoustic frame…
This paper investigates the fragility of post-hoc explanation methods in audio deepfake detection. While previous work on explanation manipulation focused on images using standard $L_p$ metrics, we introduce a psychoacoustic framework that optimizes inaudible perturbations to dec…