본 논문은 딥페이크 오디오 탐지의 취약성을 해결하기 위해 새로운 협업 학습 방법인 SHIELD를 제안합니다. 기존 딥페이크 오디오 탐지 방법들이 적대적 생성 네트워크 기반의 안티포렌식(AF) 공격에 취약하다는 점을 실험적으로 보여주고, 이를 방어하기 위해 방어 생성 모델(DF)을 통합한 협업 학습 프레임워크를 설계했습니다. SHIELD는 실제 및 AF 공격 오디오와, 보조 생성 모델을 이용해 생성된 실제 및 공격 오디오 간의 상관관계를 포착하는 삼중항 모델을 사용합니다. ASVspoof2019, In-the-Wild, HalfTruth 데이터셋에서 다양한 생성 모델에 대한 강력한 성능을 보이며, AF 공격으로 인한 탐지 정확도 저하를 효과적으로 완화합니다.
