본 논문은 생성형 인공지능의 발전으로 인해 새로운 위조 방법이 급증하고, 소셜 플랫폼에 방대한 양의 비표제 합성 데이터와 진짜 데이터가 넘쳐나면서 진짜와 가짜를 구분하는 것이 점점 어려워지는 문제를 다룹니다. 기존의 지도 학습 기반 탐지 방법은 라벨 부족으로 알 수 없는 딥페이크 방법의 탐지에 어려움을 겪고, 오픈 월드 시나리오에서는 비표제 데이터의 양이 표제 데이터를 훨씬 초과합니다. 따라서 본 논문은 제한된 표제 데이터를 기반으로 방대한 양의 비표제 데이터를 효율적으로 탐지하는 방법에 중점을 둔 새로운 딥페이크 탐지 일반화 과제를 정의합니다. 이를 해결하기 위해, 기존 방법의 일반화 능력을 향상시키는 새로운 오픈 월드 딥페이크 탐지 일반화 향상 훈련 전략(OWG-DS)을 제안합니다. 소량의 표제 소스 도메인 데이터에서 대규모 비표제 타겟 도메인 데이터로 딥페이크 탐지 지식을 전이하는 것을 목표로 하며, 도메인 거리 최적화(DDO) 모듈, 유사성 기반 클래스 경계 분리(SCBS) 모듈, 적대적 훈련 메커니즘을 도입하여 도메인 불변 특징을 학습합니다. 실험 결과, 제안된 전략은 교차 방법 및 교차 데이터셋 시나리오에서 우수한 성능을 보이며 모델의 일반화 능력을 향상시키는 것으로 나타났습니다.
