EVDA: Evolving Deepfake Audio Detection Continual Learning Benchmark

。随着GPT-4、GPT-4o和Claude系列等先进的大型语言模型的崛起，深度伪造音频的检测变得越来越具有挑战性。传统的微调方法难以跟上合成语音不断演变的步伐，需要不断学习的方法来适应新的音频，同时保持检测旧类型的能力。连续学习作为一种有效的工具，可以检测新出现的深度伪造音频，同时在旧类型上保持性能，但缺乏一个构建良好且用户友好的评估框架。为了解决这个问题，我们推出了EVDA，一个用于评估深度伪造音频检测中连续学习方法的基准。EVDA包括来自反欺诈语音系列、中文伪造音频检测系列以及像GPT-4和GPT-4o这样的模型生成的新深度伪造音频的经典数据集。它支持各种连续学习技术，如弹性权重合并（EWC）、无遗忘学习（LwF）以及最近的方法，如正则化自适应权重修改（RAWM）和弧度权重修改（RWM）。此外，EVDA通过提供一个开放接口，促进了健壮算法的开发，可以整合新的连续学习方法。

论文旨在解决深度伪造音频检测中的不断演化的挑战，即如何通过持续学习方法来适应新型深度伪造音频的检测，并保持对旧型深度伪造音频的检测能力。

论文提出了一个基准测试框架EVDA，用于评估不断学习方法在深度伪造音频检测中的表现。EVDA包括多个数据集，支持多种不断学习技术，同时提供了一个开放接口，以便集成新的不断学习方法。

EVDA基准测试框架是该论文的亮点之一，它包含多个数据集，支持多种不断学习技术，并提供了一个开放接口，以便集成新的不断学习方法。此外，论文还介绍了最新的不断学习方法，如RAWM和RWM，并提供了实验结果和开源代码。

最近在这个领域中的相关研究包括：Anti-Spoofing Voice系列、中文伪造音频检测系列等经典数据集，以及最新的GPT-4和GPT-4o模型生成的深度伪造音频。