专家呼吁:Deepfake检测工具须考虑深色肤色群体 避免偏见

摘要：本文概要:1. 担心训练数据集中的偏见会导致少数族裔承受欺诈、诈骗和虚假信息的压力。2. 大部分深度伪造检测器是基于依赖于用于训练的数据集的学习策略。然而，这些检测方法并不总是适用于深色肤色的人群。3. 缺乏对..

本文概要:

1. 担心训练数据集中的偏见会导致少数族裔承受欺诈、诈骗和虚假信息的压力。

2. 大部分深度伪造检测器是基于依赖于用于训练的数据集的学习策略。然而，这些检测方法并不总是适用于深色肤色的人群。

3. 缺乏对所有种族、口音、性别、年龄和肤色的包容性训练集可能会导致偏见。

专家警告说，为应对日益严重的深度造假（看起来逼真的虚假内容）威胁而开发的检测工具必须使用包含较深肤色的训练数据集，以避免偏见。

目前大多数Deepfake深度伪造检测器都基于依赖于训练数据集的学习策略，并利用人眼无法察觉的迹象进行检测，例如监测血液流动和心率。

然而，这些检测方法并不总是适用于深色肤色的人群，如果训练集中不包含所有种族、口音、性别、年龄和肤色的样本，就会存在偏见的问题。

专家们担心这种偏见将会导致对少数群体进行深度伪造的欺诈、诈骗和虚假信息的增加。为了解决这个问题，深度伪造检测工具需要使用视觉线索，如血液流动和心率检测，但由于深色肤色在视频流中很难提取心率，这些工具对少数群体的表现会较差。

因此，需要建立新的数据集，并使用更具代表性的肤色范围来训练机器学习模型，以确保包容性和准确性。然而，目前世界上还没有规定相应的监管措施，这导致偏见在新技术中仍然存在和复制。

为了解决这个问题，哈佛大学社会学教授兼谷歌客座研究员埃利斯·蒙克 （Ellis Monk） 开发了蒙克肤色量表。它是一种比科技行业标准更具包容性的替代尺度，并且将提供比可用于数据集和机器学习模型更广泛的肤色。专家们呼吁建立更具包容性的训练集和标准化的测量方法，以解决深度伪造检测工具的偏见问题。