著者らは、言語的手がかりへの依存によって引き起こされるドメイン外設定での汎化性能の低下に対処する、言語不変のspoofing検出フレームワークを提案する。この手法は、教師-生徒の敵対的学習アプローチを使用し、勾配反転を通じて言語情報-awareな教師が生徒検出器を誘導して言語情報を最小化する。
- 主要な言語的手がかりを抑圧しつつ、非言語的手がかりの意図しない除去を防ぐために、変分情報ボトルネックが組み込まれている。
- このフレームワークは9つのDF Arenaデータセットで評価された。
- 本手法は、ベースラインと比較してEqual Error Rate (EER) で最大36.2%の相対的削減を実現する。
このアプローチは、spoofing検出を特定の言語的内容から切り離すことで、クロスデータシナリオに対する堅牢性を向上させる。