随着人工智能生成式模型的普及和发展，深度伪造技术日益复杂，应用门槛阶梯式降低，对社会的信任体系、个人隐私和信息真实性造成了严重威胁。传统的机器学习模型通常依赖于静态特征表示，难以适应不同的合成方法。在研究过程中，奇富科技智能语音团队深度分析不同Deepfake算法理论，如FaceSwap、Face2Face等，推导出针对性的深度特征表征。同时SFE-Net能够根据输入的深度伪造特征动态调整特征优先级，选择性地增强关键特征，减少无关或误导性线索的影响，从而有效提高检测准确率。【TechWeb】12月30日消息，近日，奇富科技論文《SFE-Net：利用基因選擇性表達的生物學原理改進深度學習網絡中的特徵選擇》（/SFE-Net: Harnessing Biological Principles of Differential Gene Expression for Improved Feature Selection in Deep Learning Networks/）被ICASSP 2025接收。
據悉，ICASSP是全世界最大的、也是最全面的信號處理及其應用方面的頂級學術會議，具有權威、廣泛的學界及工業界影響力，備受AI領域研究學者關注。
奇富科技的上述論文是智能語音團隊受生物系統中差異基因表達的啓發，將選擇性特徵表達原理引入深度學習架構，提出了一種創新的特徵選擇性表達網絡（Selective Feature Expression Network:SFE-Net）。SFE-Net聚焦於多模態技術在DeepFake（深度僞造）檢測中的應用，這一技術有望應用於奇富科技的反欺詐和反黑灰產工作，進一步提升對用戶的保護能力。
隨着人工智能生成式模型的普及和發展，深度僞造技術日益複雜，應用門檻階梯式降低，對社會的信任體系、個人隱私和信息真實性造成了嚴重威脅。傳統的機器學習模型通常依賴於靜態特徵表示，難以適應不同的合成方法。在研究過程中，奇富科技智能語音團隊深度分析不同Deepfake算法理論，如FaceSwap、Face2Face等，推導出針對性的深度特徵表徵。同時SFE-Net能夠根據輸入的深度僞造特徵動態調整特徵優先級，選擇性地增強關鍵特徵，減少無關或誤導性線索的影響，從而有效提高檢測準確率。
論文結果表明，SFE-Net超越了目前所有靜態模型，同時SFE-Net在跨數據集場景中展現出更強的泛化能力，它在所有測試數據集中平均AUC（AUC越接近1.0，檢測準確率越高）也將之前SOTA的0.767大幅提升至0.795。這進一步證明了SFE-Net在綜合利用多維特徵提取技術進行僞造檢測的獨特優勢，爲深度僞造檢測任務提供了高效可靠的解決方案。
據介紹，奇富科技研發的 SFE-Net 具備強大普適檢測能力，它通過動態調整特徵選擇策略融合多種特徵精準識別深度僞造內容，在跨數據集場景下泛化能力出色，能適應不同平台與多種僞造技術，在多數據集測試中準確率高，可爲平台監管和執法部門提供技術支持，助力清理屏蔽虛假信息與精準取證，打擊黑灰產業源頭，對維護數字內容生態健康意義重大。
