EVDA: Evolving Deepfake Audio Detection Continual Learning Benchmark

随着GPT-4、GPT-4o和Claude家族等先进的大型语言模型的出现，虚假音频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、用户友好的评估框架。为了解决这个问题，我们介绍了EVDA，这是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GPT-4和GPT-4o等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，如规则自适应权重修改（RAWM）和弧度权重修改（RWM）。此外，EVDA通过提供一个开放的接口，促进了强大算法的开发，以整合新的连续学习方法。

EVDA: 一种用于评估深度假音频检测中继续学习方法的基准

EVDA提供了一种用于评估深度假音频检测中继续学习方法的基准，包括传统数据集和新生成的深度假音频数据集，并支持各种继续学习技术。

EVDA提供了一个开放接口，以集成新的继续学习方法。实验设计包括使用传统数据集和新生成的深度假音频数据集，如GPT-4和GPT-4o。EVDA支持各种继续学习技术，如弹性权重整合（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）。

最近的相关研究包括：《基于深度学习的语音深度伪造检测综述》、《深度学习技术在语音深度伪造检测中的应用》等。