研究：持续学习保住深伪检测准确率却加剧不公平
不来梅大学 OWL-ML 团队发布预印本《Time to Fake It: Continual Machine Learning Intensifies Unfairness in Deepfake Detection》，作者 Martin Mundt 等人通过推文线程介绍了研究设计与结论。
已确认
- 实验设计：将 11 个深度伪造数据集按发布时间排序——从 2019 年的 FaceForensics++ 到 2023 年基于 Stable Diffusion 生成的假脸数据——让检测器按顺序持续训练，并逐步对比六种（帖子未完整列出）方法的表现。
- 核心发现：检测器在持续学习后准确率仍保持较高水平，但公平性指标大多变差；在年龄维度上甚至比微调基线更糟。
- 作者指出群体间差异因方法与数据集而异，且人口标签本身是敏感信息，团队仅将其用于测试。
- 作者呼吁新的持续学习方法在平衡稳定性与可塑性时应考虑社会结果，同时坦言「说起来容易做起来难」。
为什么重要
- 深伪检测模型在真实部署中必然要不断适配新生成器，该研究表明单纯追赶准确率会让模型对不同人群的表现差距扩大，即社会性代价。
- 结果提示后续持续学习研究需把公平性纳入评测与方法设计，而非只看整体精度。
2026-10-25 ~ 2026-10-25 · 5 条相关
一手来源
- 研究发现：深度伪造检测器持续更新后准确率仍高，公平性却持续恶化 — mundt_martin ·
- 持续学习研究：模型准确率保持高位，但公平性普遍恶化 — mundt_martin ·
- 新研究：持续学习保住 Deepfake 检测准确率却加剧不公平 — mundt_martin ·
- 【源头】新研究：持续学习保住 Deepfake 检测准确率却加剧不公平 — mundt_martin · 2026-10-25
- 同一研究推文线程：11 个生成器序列实验设计详解 — mundt_martin · 2026-10-25
- 【源头】研究发现：深度伪造检测器持续更新后准确率仍高，公平性却持续恶化 — mundt_martin · 2026-10-25
- 【源头】持续学习研究：模型准确率保持高位，但公平性普遍恶化 — mundt_martin · 2026-10-25
- 研究团队致谢：结论呼吁持续学习兼顾社会结果 — mundt_martin · 2026-10-25