Continuously Evolving Deepfake Detection: An Architecture and Public-Benchmark Evaluation of a Dynamic Detection System
本文介绍了 BitMind Forensics (BMF)，这是一个通过 Bittensor SN34 对抗性竞赛训练的持续演进式深度伪造检测系统，与静态的最先进模型相比，该系统在多样化的真实世界及野外基准测试中展现出了显著优越的鲁棒性和性能。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，互联网是一座繁忙、喧闹的大都市，人们在这里不断地分享照片和视频。多年来，这座城市一直很安全，因为我们可以轻易分辨真伪。但最近，一种新的“魔术技巧”来到了这里：能够创造出极其逼真的虚假图像和视频（被称为“深度伪造”或 deepfakes）的人工智能。这些不再是拙劣的画作；它们如此精妙，以至于连专家都难以辨别。问题在于，我们建立的那些用来抓捕这些伪造品的“侦探们”，就像是只读过旧犯罪书籍的警察。他们擅长抓捕去年的伪造品，但只要 AI 罪犯发明了新花招，侦探们就会感到困惑并宣告失败。这篇论文探讨了一个可怕的现实：由于我们的检测器在构建完成的那一刻起就停止了学习，它们正变得毫无用处。
这篇名为 BitMind 的论文作者认为，解决方案不仅仅是建立一个更聪明的侦探，而是要建立一个永不停歇训练的侦探。他们创建了一个名为 BitMind Forensics (BMF) 的系统，它就像一个有生命的、呼吸着的训练场。他们没有将模型教导一次后就锁进保险库，而是设立了一个开放的、竞争性的竞技场（称为 Bittensor SN34），让两支队伍在那里不断交战。在一边，“生成式矿工”试图创造出最逼真的伪造品来欺骗系统；而在另一边，“判别式矿工”则试图构建检测器来捕捉这些伪造品。每隔几小时，伪造品就会更新，而检测器必须适应，否则就会失败。这就像一款视频游戏，每当你击败 Boss 时，Boss 都会变得更强，从而迫使玩家不断升级。
论文测试了该系统的其中一个特定“快照”——一个在 2026 年 4 月 15 日被冻结在时间中的版本——以观察这种“持续学习”的方法是否真的比旧的静态方法效果更好。他们让这个快照经历了一场由 19 种不同公开测试组成的严酷考验，其中包括通过压缩、调整大小或增强图像来隐藏伪造痕迹的复杂现实场景。结果令人震惊：当面对这些新花招时，旧的静态检测器往往会崩溃，而 BitMind Forensics 则能稳住阵脚。在一项针对真实社交媒体内容的艰苦“实战”测试中，它抓获了 91.5% 的伪造图像和 82.2% 的伪造视频，击败了顶尖的商业工具，并远超那些表现挣扎于 60% 以下的开源模型。
或许最令人兴奋的发现是，该系统在数据越新的时候表现得越好。当作者将他们的旧版检测器与新版进行对比时，发现新版本在处理那些在旧版本训练时甚至还不存在的 AI 工具生成的伪造品时，其得分显著提升。例如，在视频测试中，仅仅通过更新训练数据，得分就从 0.864 跳升到了 0.936。论文指出，这种“持续进化”是保持领先地位的唯一途径。然而，作者也谨慎地指出，该系统并非完美无缺；它在处理某些类型的低质量伪造品或其尚未见过足够多样本的特定 AI 生成器时仍然感到吃力。但核心信息非常明确：要抓住一个移动的目标，你不能原地不动。你必须随之不断移动。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。