EviStress：用于可泛化人脸伪造检测与文本解释的证据压力学习

基于摘要分析。该研究针对 Web 环境中人脸伪造生成方式持续变化、传播处理造成视觉变化的问题，提出两阶段框架 EviStress，通过对高依赖视觉证据施加训练扰动，学习用于真实性判断的表征，并进一步生成文本解释。主要研究对象是人脸伪造检测，而非 EEG 或 BCI。 作者观察到，标准 LoRA 适配的 CLIP 检测器将较多类别相关性集中于少量视觉 patch。第一阶段的 Evidence-Targeted Patch Perturbation（ETPP）结合全局、关系和语义线索估计 patch 依赖程度，使扰动概率与依赖程度正相关，重点检验模型对高依赖证据变化的承受能力。Discriminative Variation Preservation（DVP）约束干净与扰动表征之间的残差，使其保留真实性判别信息；具体损失形式尚未验证。 第二阶段的 Intrinsic Evidence Instruction Tuning（IEIT）将适配后的 CLIP 编码器作为 LLaVA 的视觉编码器，进行参数高效多模态指令微调，使模型直接利用所学伪造敏感表征输出真实性预测与文本解释，不依赖外部检测器。作者报告，在跨数据集、跨伪造方法及视觉损坏鲁棒性评估中有所改善，但摘要未提供数据集、划分、对照基线、指标或数值。实验协议、消融及统计信息尚未验证；文本可读性不等于解释忠实性，仍需核对其与判别证据的一致性。 平台推测（待验证）：假设 EEG 分类器也过度依赖少数通道或时频片段，ETPP 的依赖估计与定向扰动思路、DVP 的判别信息保留约束可能用于检验跨被试或跨会话鲁棒性。原方法依赖视觉 patch、真实性监督及 CLIP 的语义表征；迁移时需改造输入分块、依赖估计和扰动方式，不能直接照搬视觉语义线索或解释模块。低信噪比、小样本和通道差异可能导致依赖估计不稳定，定向扰动也可能破坏真实神经信号。可在固定跨被试划分下，对比无扰动、随机扰动和依赖定向扰动，并分别检验 DVP 的作用及通道缺失下的性能。已有 EEG 相关工作尚未检索确认。