在深假检测中保持公平性泛化
内容提要
该文综述深度伪造检测中的公平性与泛化问题：偏见数据导致模型对种族、性别等群体表现不公，需构建平衡数据集并引入公平指标；现有检测器难以泛化到未见伪造，可通过领域自适应、增量学习、分离通用伪造特征及稀疏标注等方法提升鲁棒性与公平性。
延伸解读
公平性问题的根源与表现
文章指出，偏见数据训练会导致深度伪造检测器对种族、性别等群体表现不公。多项研究发现，检测器在种族间性能差异显著，且男性表现通常优于女性。这提示读者，公平性并非单一指标，而是涉及多个保护类别，需在数据构建和评估中系统考虑。
提升泛化能力的技术路径
针对检测器难以泛化到未见伪造的问题，文章综述了领域自适应、增量学习、分离通用伪造特征及稀疏标注等方法。其中，领域自适应可在目标领域数据少时改善公平指标；增量学习结合回放集更新，在遗忘率和准确率上取得平衡；分离通用伪造特征则着眼于解决对特定伪造方法的过拟合。
评估与改进的实践启示
文章提到谐波公平得分等新评估工具，可综合衡量准确性与公正性。同时，通过编辑受保护特征增强图像、利用稀疏标记数据微调模型，都能在少量数据下提升公平性与泛化能力。这些方法为实际部署中平衡性能与公平提供了可行思路。
Q&A
深度伪造检测中为什么会出现公平性问题？
因为训练数据存在偏见，导致深度学习模型对种族、性别等保护群体产生歧视，例如在性别上男性表现优于女性，种族间预测性能差异大。
有哪些方法可以提升深度伪造检测器的泛化能力？
可以通过领域自适应、增量学习、领域不变表示、多角度知识蒸馏、分离通用伪造特征以及利用目标领域稀疏标注数据等方法来提升泛化能力。
如何评估深度伪造检测模型的公平性？
可以构建性别平衡且标注性别标签的数据集，或使用谐波公平（HF）得分等新指标，综合评估模型在准确性和公正性方面与参考基线的对比。
现有深度伪造检测器在跨数据集测试时表现如何？
现有模型难以适应未经训练的deepfakes数据集，普遍学习合成方法的特定属性而难以提取区分特征，但发现某些神经元对已见和未见数据集都有检测作用，为实现零样本泛化指明了方向。
什么是通用伪造特征？它在泛化中起什么作用？
通用伪造特征是指不依赖于具体伪造方法（如网络结构、训练数据）的区分性特征，通过分离视觉信息来发现这些特征，可以作为泛化的基础，避免对特定伪造方法的过拟合。
稀疏标注数据如何帮助改善人脸防欺骗模型的泛化性？
使用目标领域的少量稀疏标记数据，通过CNN框架训练，可以显著提高模型跨数据集测试的泛化能力，实验表明仅需少量标记样本即可见效。
