特徴ロバスト拡張と根拠に基づく説明最適化による説明可能なディープフェイク検出

本論文は、Deepfake検出に説明可能性を組み込んだExplainable Deepfake Detectionのためのフレームワークを提案する。具体的には、画像品質劣化に対する頑健性と、説明の事実的正確性の2つの課題に対処する。提案手法は、Feature-robust AugmentationとEvidence-grounded Explanation Optimizationの2つの革新からなる。ACM Multimedia 2026 Explainable Deepfake Detection Challengeで1位を獲得した。

既存のExplainable Deepfake Detection手法は、低品質画像に対する検出精度の低下と、説明が操作痕跡を省略したり無関係な詳細を幻覚したりする問題があった。本提案は、劣化を考慮した多様なaugmentation戦略と、mean-teacher architectureによるconsistency constraintsで特徴を安定化させ、さらにchosen-rejectedペアを用いたpreference optimizationで説明の事実的根拠を優先させる点が新しい。

手法の核は2つ。(1) Feature-robust Augmentation: 多様な劣化を考慮したaugmentation戦略と、supervised contrastive learningを組み合わせ、mean-teacher architectureによりaugmentation間のconsistencyを保ち特徴ドリフトを防ぐ。(2) Evidence-grounded Explanation Optimization: 操作痕跡の省略や無関係情報の注入で作成したrejectedサンプルと、正しい説明のchosenサンプルを用いて、モデルが真の操作痕跡を優先するようにpreference optimizationで学習する。

ACM Multimedia 2026 Explainable Deepfake Detection Challengeで1位を獲得したことで有効性が検証された。具体的な評価指標やデータセットの詳細は要旨からは不明。

要旨からは、提案手法が低品質画像に対する頑健性と説明の正確性を向上させる一方で、augmentationの多様性と性能のトレードオフや、preference optimizationの汎用性などに関する議論は不明。また、実世界の多様なDeepfake生成手法への適用可能性や、計算コストについても言及がない。

要旨で参照されている研究は明示されていないが、関連分野としてExplainable Deepfake Detectionの既存研究、Feature-robust Augmentationに関連するcontrastive learningやmean-teacher architectureの論文、preference optimizationに関連するRLHFやDPOの論文が挙げられる。具体的には、Deepfake Detectionのベースラインや、Explainable AIの手法を読むと良い。