深度分析
Wiener‑Hopf 線性預測結合輕量化 2D CNN 的音訊 Deepfake 偵測新框架
隨著合成語音技術快速進步,音訊Deepfake偵測成為多媒體鑑識關鍵。研究提出以Wiener‑Hopf線性預測結合輕量化2DCNN的可解釋設計,直接連結分類結果與聲學特性。實驗顯示在多項基準資料上達到與最先進模型相當的偵測率,同時計算量僅為其十分之二。
深度分析
隨著合成語音技術快速進步,音訊Deepfake偵測成為多媒體鑑識關鍵。研究提出以Wiener‑Hopf線性預測結合輕量化2DCNN的可解釋設計,直接連結分類結果與聲學特性。實驗顯示在多項基準資料上達到與最先進模型相當的偵測率,同時計算量僅為其十分之二。
深度分析
解釋性AI常因基線與離流形插值產生歧異與失真。本文以公理解釋框架提出在流形的Aumann–Shapley歸因,證明梯度線積分為唯一滿足效率與幾何不變性的函數;並以最小動能的Wasserstein‑2測地生成流選定路徑,實驗顯示強化流形遵循與語義對齊。