Adaptive Equilibrium：汎用的なDeepFakeモデル妨害を実現するための動的重み付けフレームワーク

Abstract

一般化されたディープフェイクの撹乱（disruption）の進展は、生成における普遍的摂動（universal perturbations）に内在する本質的なボトルネックである、撹乱（interruption）の不均衡によって制約されています。本稿では、従来の静的な勾配正規化が、アーキテクチャ間の競合を根本的に解決することに根本的に困難があることを明らかにします。その結果、最適化は耐性のあるモデルを顧みない一方で、影響を受けやすいモデルへとバイアスされます。高く一様な有効性を達成するには、この不均衡を解消して適応的な平衡（adaptive equilibrium）に到達する必要があると主張します。本稿では、Adaptive Equilibrium Framework（AEF）を提案します。AEFは、リアルタイムの損失フィードバックを用いる動的な重み付け機構によって、最も耐性のあるモデルに対してより大きな撹乱重みを適応的に割り当てます。この手法により、最適化を平均ケースの問題から、動的なバランスを見つける問題へと切り替え、摂動を一様に有効な平衡状態へと導きます。包括的な実験により、AEFが、評価した多様な各アーキテクチャにわたって撹乱の成功率を一貫して維持しつつ、よりバランスの取れた撹乱性能を達成することが検証されています。