面向语音深度伪造检测域泛化的源域引导轨迹扰动：保持一阶计算开销

基于摘要分析。该研究针对语音深度伪造检测器在训练与测试分布不一致时性能下降的问题，提出源域引导的适应轨迹扰动方法 WC-MLDG-2P，在保留一阶 MLDG 梯度评估次数的条件下，考虑适应终点附近的局部损失变化。 核心机制：MLDG 通过每轮划分元训练域与元测试域模拟域偏移，但摘要指出，其元目标只考虑一条未扰动的适应轨迹。作者先提出显式最坏情况变体 WC-MLDG-4P，同时扰动元训练与元测试状态，每轮需四次梯度评估；随后提出 WC-MLDG-2P，将未扰动的 MLDG 适应终点移向局部源域损失更高的状态，并在该位置计算元测试梯度，每轮仍为两次梯度评估。一阶展开将梯度变化与沿源域梯度方向的元测试方向曲率联系起来，无需显式计算 Hessian。相同梯度评估次数不等于已验证相同运行时间或显存开销。 结果与证据边界：作者报告，相对于 MLDG，WC-MLDG-2P 在 XLSR-AASIST 与 XLSR-Conformer-TCM 上的平均等错误率（mean-EER）相对降幅分别为 23.4% 和 7.6%；这些是相对降幅，而非百分点变化。摘要未提供数据集、域划分、平均方式及基线训练细节，因此不能据此比较不同评估协议。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 任务具有可区分的多个源域及可计算的监督损失，该机制可能用于检验跨被试或跨会话分布偏移下的训练稳健性。可复用的是元训练／元测试划分和参数状态扰动，需改造信号编码器、任务损失与域构造。低信噪比、小样本或通道差异可能使源域梯度方向不稳定，扰动也可能放大源域特有噪声。一个可证伪的小实验是在固定跨被试划分及训练预算下，比较一阶 MLDG 与 WC-MLDG-2P，并考察扰动强度及多次运行波动；若未改善未见被试表现，则不支持该迁移假设。已有 EEG 相关工作尚未检索确认。