摘要：深度伪造检测模型虽然整体准确率较高，但在不同人口统计群体之间却表现出显著的性能差异，导致某些群体的假阳性率远高于其他群体。现有的公平性感知方法通过约束模型输出以实现各群体预测的一致性来应对这一问题，但并未解决潜在的特征层面偏见。因此，这些模型仍可能依赖于诸如肤色纹理等人口统计特征，将其作为检测篡改内容的间接线索。为解决这一难题，我们提出了交集不变学习（IIL）框架，该框架着重改进特征学习，而非仅调整模型输出。IIL通过交替识别最具挑战性的各人口统计子群体，并学习在这些子群体间保持一致的特征表示。此外，该框架还纳入了假阳性率公平性目标，以及针对六个性别×肤色交集群体的均衡采样策略。我们在一个包含超过一百万张图像、10个基准检测器和21项公平性与实用性指标的大规模公平性基准上对IIL进行了评估。结果表明，IIL实现了帕累托最优性能，同时达到AUC高于99%、假阳性率低于2.5%，并拥有所有对比方法中最低的交集公平性差异（FMEO）。在21项评估指标中的绝大多数方面，IIL均优于先前的公平性感知方法；与最强的竞争方法相比，其假阳性率和交集公平性差异均降低了数倍。
评论：| 包括附录在内的4页，7幅图表，8张表格 主题：| 计算机视觉与模式识别（cs.CV） 引用格式：| arXiv:2610.37881 [cs.CV] | （或
arXiv:2610.37881v1 [cs.CV] 适用于本版本） | https://doi.org/10.48550/arXiv.2610.37881
点击了解更多信息
通过DataCite发布的arXiv DOI（待注册）
提交历史
访问论文：
查看PDF
HTML（实验性）
TeX源代码
附加功能
音频摘要
当前浏览上下文：
参考文献与引用
Google 学术搜索
Semantic Scholar
书签
机构
arXivLabs 是一个框架，允许合作者直接在我们的网站上开发并共享新的 arXiv 功能。
无论是个人还是与 arXivLabs 合作的组织，都已认同并践行我们所倡导的开放、社区、卓越以及用户数据隐私等价值观。arXiv 致力于这些价值理念，并且只与同样秉持这些理念的合作伙伴开展合作。
您是否有一个能为 arXiv 社区创造价值的项目构想？欢迎了解更多关于 arXivLabs 的信息。