arXiv · cs.AI· Kajaree Das, Oliver B\"ose, Subarnaduti Paul, Gabriel Storch, Martin Mundt·· 7 小时前
持续机器学习加剧深度伪造检测的不公平性研究
Time to Fake It: Continual Machine Learning Intensifies Unfairness in Deepfake Detection
arXiv:2610.21974v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Kajaree Das, Oliver B\"ose, Subarnaduti Paul, Gabriel Storch, Martin Mundt
研究任务与主要进展
研究者分析深度伪造检测器在按时间顺序学习11种真实世界生成方法时的公平性变化，覆盖四类人口统计维度，并比较rehearsal、prompts和regularization三类持续学习方法。基于论文摘要，准确率退化通常会加剧不公平，公平性改善在持续训练过程中较为稀缺；不等价遗忘不仅与代表性不足有关，也可能与表示学习交织。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org