AUC가 오해할 때: 도메인 이동 하의 편향 인식 딥페이크 탐지 평가

출처: arXiv - 2606.19184v1

개요

최근 생성형 AI의 발전, 특히 확산 모델과 페이스 스와핑 도구는 매우 현실적인 딥페이크 생성을 가능하게 하여 금융 사기 및 동의 없는 노출 콘텐츠와 같은 실제 문제로 이어지게 했습니다. 이에 대응하여 딥페이크 탐지는 활발한 연구 분야가 되었으며, 최근 방법들은 미见된 조작에 대한 일반화 능력을 향상시키는 데 집중하고 있습니다. 이는 일반적으로 여러 데이터셋에서 별도로 측정된 ROC 곡선의 아래면적 (AUC)로 평가됩니다. 그러나 이러한 평가는 검출기가 다양한 데이터 소스와 유형별 아티팩트를 마주하는 실제 상황을 반영하지 못합니다. 이 한계를 극복하기 위해, 우리는 도메인 이동에 대한 견고함을 고려하여 도메인별 AUC 평균과 예측 편차(분산)라는 지표를 결합한 새로운 메트릭, Cross- dataset AUC (Cross- AUC)를 소개합니다. 편차 정도는 클래스 점수 분포 간의 워터슈타인 거리(Wasserstein Distance)로 측정됩니다. Cross- AUC는 도메인 이동 하에서 딥페이크 탐지의 일반화 능력을 보다 현실적으로 평가할 뿐만 아니라, 성능 저하의 이유를 더 명확히 설명하는 해석 가능한 지표이기도 합니다. 일곱 개의 벤치마크 데이터셋에 대한 실험 결과는 그 실용적 의미를 보여줍니다.

주요 기여

이 논문은 다음 분야의 연구를 제시합니다:

• cs.CV
• cs.LG

방법론

자세한 방법론은 논문 전체를 참고하십시오.

실용적 의미

이 연구는 cs.CV 분야의 발전에 기여합니다.

저자

• Dat Nguyen
• Cosmin Radoi
• Romain Hermary
• Marcella Astrid
• Nesryne Mejri
• Enjie Ghorbel
• Djamila Aouada

논문 정보

• arXiv ID: 2606.19184v1
• 카테고리: cs.CV, cs.LG
• 게시일: 2026년 6월 17일
• PDF: Download PDF