学习判别：利用渐进潜空间加噪与特征偏移实现可泛化的深度伪造检测

基于摘要分析。该研究针对人脸深度伪造检测在训练与测试数据分布变化时泛化性能下降的问题，提出 APRNet，将问题分解为篡改程度建模、未见类型增强与分布对齐，并分别设计表征学习、潜空间增强和测试时特征调整机制。 方法包含三个部分：真实性导向的对比学习在真实人脸、同源伪造与异源伪造之间学习细粒度判别表征；渐进潜空间加噪通过向人脸表征自适应注入渐进噪声增强特征，作者将其作用描述为抑制无关扰动并提升鲁棒性；relative entropy feature shift 根据测试样本与训练数据之间的 KL 散度调整测试时特征分布，使推理表征更接近训练中熟悉的分布。摘要未给出对比损失形式、噪声调度、分布估计方式或特征调整公式。 作者报告，在多个深度伪造检测基准的跨域评估中，APRNet 的鲁棒性和泛化表现优于所比较的先进方法；但摘要未列出数据集名称、划分、指标、具体分数及基线配置，因此无法量化增益或判断各模块的独立贡献。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：潜空间扰动与测试时分布调整可能为 EEG 跨被试或跨会话分布偏移提供方法参考，但原研究依赖人脸真实性与伪造来源关系，其监督结构不能直接等同于 EEG 任务标签。可复用的候选是表征扰动和分布调整模块，需重新设计 EEG 编码器、对比样本关系及训练分布参考。低信噪比、小样本、通道差异和个体差异可能使噪声破坏任务相关特征，或使分布对齐压缩有效的个体信息。一个可检验的小实验是在固定 EEG 编码器和严格跨被试划分下，对照原始模型、仅加噪、仅特征调整及二者组合，并核对是否改善预先选定的任务指标；测试标签不参与适应。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。