Los autores proponen un marco de detección de suplantación invariante al lenguaje que aborda la mala generalización en configuraciones fuera del dominio causada por la dependencia de indicios lingüísticos. El método utiliza un enfoque de aprendizaje adversarial maestro-estudiante donde un maestro consciente del lenguaje guía al detector estudiante mediante inversión de gradiente para minimizar la información lingüística.

  • Se incorpora un Cuello de Botella de Información Variacional (Variational Information Bottleneck) para evitar la eliminación inadvertida de indicios no lingüísticos mientras se suprimen los principales lingüísticos.
  • El marco fue evaluado en nueve conjuntos de datos DF Arena.
  • El método logra una reducción relativa de hasta el 36,2% en la Tasa de Error Igual (EER) en comparación con la línea base.

Este enfoque mejora la robustez ante escenarios cruzados de datos al desacoplar la detección de suplantación del contenido lingüístico específico.