요약: 딥페이크 탐지 모델은 전반적으로 높은 정확도를 달성하지만, 인구통계학적 집단 간 성능 격차가 크기 때문에 일부 집단에서는 다른 집단에 비해 훨씬 높은 거짓양성률을 경험하게 됩니다. 기존의 공정성 지향 방법들은 모델 출력을 제한하여 집단별 예측을 균등화하는 방식으로 이 문제를 해결하려 하지만, 근본적인 특징 수준의 편향에는 대응하지 못합니다. 그 결과, 모델이 여전히 피부 질감과 같은 인구통계학적 특성을 조작된 콘텐츠를 탐지하는 간접적 단서로 활용할 가능성이 남아 있습니다. 이러한 문제를 해결하기 위해 우리는 모델 출력 조정에 그치지 않고 특징 학습 자체를 개선하는 프레임워크인 교차적 불변 학습(IIL)을 제안합니다. IIL은 가장 도전적인 인구통계학적 분할을 식별하고, 해당 분할들 간에 일관되게 유지되는 특징을 학습하는 과정을 반복합니다. 또한 이 프레임워크는 거짓양성률에 대한 공정성 목표와 6개의 성별×피부색상 교차 집단에 걸친 집단 균형 샘플링을 포함합니다. 우리는 100만 장 이상의 이미지, 10개의 기준 탐지 모델 및 21개의 공정성 및 효용 지표를 포함하는 대규모 공정성 벤치마크에서 IIL을 평가했습니다. 결과는 IIL이 파레토 최적 성능을 달성하며, 동시에 AUC 99% 이상, 거짓양성률 2.5% 미만, 그리고 비교 대상 모든 방법 중 가장 낮은 교차적 공정성 격차(FMEO)를 동시에 확보함을 보여줍니다. IIL은 21개 평가 지표의 대다수에서 기존의 공정성 지향 방법들을 능가하는 성능을 보이며, 가장 강력한 경쟁 방법에 비해 거짓양성률과 교차적 공정성 격차를 모두 수배 수준으로 감소시켰습니다.
주석: | 부록을 포함한 총 4페이지, 그림 7개, 표 8개 주제: | 컴퓨터 비전 및 패턴 인식 (cs.CV) 인용 형식: | arXiv:2610.37881 [cs.CV] | (또는
arXiv:2610.37881v1 [cs.CV] 이 버전의 경우) | https://doi.org/10.48550/arXiv.2610.37881
더 알아보기
DataCite를 통한 arXiv 발행 DOI(등록 대기 중)
투고 이력
논문 보기:
PDF 보기
HTML(실험적)
TeX 소스
추가 기능
오디오 요약
현재 탐색 컨텍스트:
참고문헌 및 인용
Google 학술검색
Semantic Scholar
북마크
기관
arXivLabs는 협력자가 당사 웹사이트에서 새로운 arXiv 기능을 직접 개발하고 공유할 수 있도록 하는 프레임워크입니다.
arXivLabs와 함께 일하는 개인과 조직 모두는 개방성, 커뮤니티, 우수성, 그리고 사용자 데이터 개인정보 보호라는 당사의 가치를 수용하고 받아들였습니다. arXiv은 이러한 가치에 헌신하며, 이에 부합하는 파트너들과만 협력합니다.
arXiv 커뮤니티에 가치를 더할 프로젝트 아이디어가 있으신가요? arXivLabs에 대해 자세히 알아보세요.