通过潜在空间增强超越伪造特异性，实现可泛化的 Deepfake 检测

基于摘要分析。本文研究 Deepfake 检测器在训练与测试分布不匹配时的泛化问题，提出 LSDA（Latent Space Data Augmentation），通过在潜在空间扩展伪造特征的变化范围，降低检测器对特定伪造方法痕迹的依赖。 核心机制是构造和模拟伪造特征内部及不同伪造特征之间的变化，丰富域特异性特征，并促进不同伪造类型之间更平滑的过渡，以缩小域间差异。随后利用增强特征所提炼的知识优化二分类器。其出发点是：覆盖更多伪造变化的表征可能支持更具泛化能力的决策边界；这属于作者的方法假设，不能直接视为已确证的普遍规律。摘要未说明具体增强算子、特征提取器、损失函数，以及知识提炼是否采用显式蒸馏。 作者报告，该方法在多个常用基准上优于现有先进检测器，但摘要未提供数据集名称、划分、对照基线或具体指标，因此尚不能判断优势的幅度与适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：潜在空间增强与 EEG 跨被试或跨会话域泛化存在机制层面的对应，即尝试扩大训练特征所覆盖的域变化，同时保留任务判别信息。可考虑复用特征空间增强思路，但需改造 EEG 编码器，并核实原方法对伪造类型分组、监督信息及数据规模的依赖；伪造类型之间的变化不等同于被试或会话差异。低信噪比、通道差异及小样本条件下，增强可能放大噪声或破坏类别语义。一个可证伪的小实验是在固定跨被试划分下，对比相同编码器有无潜在空间增强的表现，并保持训练数据与调参预算一致；只有在未见被试上稳定获益，才支持进一步迁移。相关 EEG 工作尚未检索确认。