MoSTE：動画ディープフェイク検出のための時空間エキスパート混合

- 動画のdeepfake検出のための適応フレームワークMoSTE（Mixture Of Spatio-Temporal Experts）を提案する論文。 - 単一の共有表現に頼らず、空間・時間それぞれのexpert poolに適応を分解し、token単位で動的にexpertへroutingする。 - CLIPの表現を動画領域へ転移しつつ、操作タイプに依存しない汎化性能の向上を狙う。

- 既存のparameter-efficient adaptation手法は単一の共有表現に依存し、manipulation-specific biasに陥りやすく未見の偽造への転移が限定的だった。 - MoSTEは空間・時間の並列expert poolに条件付きで特化させることで、この単一表現の限界を緩和する。 - 明示的なmanipulationラベルや多段階学習を必要とせずにexpertの特化が生じる点が異なる。

- 適応をparallel spatial expert poolとtemporal expert poolに分解する。 - unsupervisedなtoken-level routing mechanismにより、各tokenを最も関連するexpertへ動的に振り分ける。 - これによりexpertが補完的なforensic cueに自然に特化し、CLIPからvideo domainへの表現転移を実現する。 - 明示的なmanipulation labelやmulti-stage trainingを要しない設計。

- cross-datasetおよびcross-manipulationのbenchmarkで広範な実験を実施。 - 平均汎化性能で新たなstate of the artを達成し、多様なmanipulation familyでも強い性能を維持した。 - expert routingとattention behaviorの追加分析によりexpert diversityの出現を示し、補完的なspatio-temporal forensic featureの学習を示唆。

- expert routingとattentionの分析からexpert diversityの emergenceが示され、補完的特徴の学習が示唆される。 - 具体的な限界や失敗ケース、計算コストに関する議論は要旨からは不明。 - manipulation family間の性能差の詳細やroutingの解釈性についての議論は要旨からは不明。

- 比較対象として言及されるparameter-efficient adaptation手法（adapter系）やCLIPベースのdeepfake検出研究。 - 関連手法としてMixture of Experts（MoE）およびtoken-level routingの研究。 - 動画deepfake検出のcross-dataset/cross-manipulation評価を行う既存benchmark論文。