利用优化的伪造表征空间实现通用人脸伪造检测

基于摘要分析。本文研究人脸伪造检测在未见域上的泛化问题，提出 Contrastive Learning Against face Forgery（CLAF），将对比学习与监督学习结合，以优化表征空间并保留样本特有的伪造信息。研究对象是视觉人脸伪造检测，并非 EEG 或 BCI。 作者认为，既有二分类检测方法侧重扩大真实与伪造人脸之间的类别差异，却可能忽视同类样本内部的伪造信息，导致类内分布坍缩与未见域泛化不足。CLAF 首先采用双分支学习框架提取一致的伪造特征分布，再对表征空间施加相似性、方差和协方差约束。摘要未说明分支构造、样本配对、各约束的具体形式及权重，不能据此将其等同于某个既有对比学习算法。 作者报告在 FaceForensics++、Celeb-DF 和 DFDC 上验证了泛化性能，并称实验支持该框架改善泛化的有效性。摘要未提供具体指标、数值、训练与测试的数据集对应关系，也未明确是否采用统一的跨数据集协议；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移的方法假设是，在学习类别可分性的同时保留类内变化，可能有助于减少 EEG 表征对训练域的过度拟合。可复用的是表征约束思路，双分支输入与配对规则则需按 EEG 的时间、频率及通道结构改造；低信噪比下，保留的方差也可能主要来自噪声、被试差异或设备差异。一个可检验的小实验是在固定跨被试划分下，对同一 EEG 编码器比较仅监督训练与加入这些约束的训练，核对预先指定的分类指标及表征方差是否同步改善。该推断不是已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。