PulseAugur
中
实时 20:04:39
English(EN) When AUC Misleads: Polarization-Aware Evaluation of Deepfake Detectors under Domain Shift

新的Cross-AUC指标为深度伪造检测器提供现实评估

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员引入了一种名为Cross-AUC的新指标，以更好地评估深度伪造检测器的性能。在使用接收者操作特征曲线下面积（AUC）的传统方法中，当检测器遇到来自不同来源或不同伪影类型的数据时，可能会产生误导。Cross-AUC通过对每域AUC进行平均，并结合预测极化度量（通过Wasserstein距离量化）来解决这一问题，从而更现实地评估域偏移下的泛化能力。在七个基准数据集上的实验表明，Cross-AUC为深度伪造检测鲁棒性提供了更具可解释性和实用性的评估。 AI

影响 这一新指标通过对深度伪造检测器在不同数据源上的性能进行更现实的评估，有望带来更鲁棒的深度伪造检测系统。

排序理由 该集群包含一篇介绍深度伪造检测器新评估指标的研究论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的Cross-AUC指标为深度伪造检测器提供现实评估

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Dat Nguyen, Cosmin Radoi, Romain Hermary, Marcella Astrid, Nesryne Mejri, Enjie Ghorbel, Djamila Aouada ·

    当AUC产生误导：域偏移下深度伪造检测器的极化感知评估

    arXiv:2606.19184v1 Announce Type: cross Abstract: Recent advances in generative AI, such as diffusion models and face-swapping tools, have enabled the creation of highly realistic deepfakes, leading to real-world harms including financial fraud and non-consensual explicit content…

  2. arXiv cs.CV TIER_1 English(EN) · Djamila Aouada ·

    当AUC产生误导：域偏移下深度伪造检测器的偏见感知评估

    Recent advances in generative AI, such as diffusion models and face-swapping tools, have enabled the creation of highly realistic deepfakes, leading to real-world harms including financial fraud and non-consensual explicit content. In response, deepfake detection has become an ac…

相关实体

相关话题