クロスドメイン深層偽造検出における誠実な融合評価：リーク監査とテール頑健性

本論文は、cross-domain video deepfake detection における frozen foundation-model experts の融合手法（calibrated score averaging、per-video router、learned head over concatenated features）を、22-dataset の frozen-expert testbed で再評価する研究。routing や feature fusion の優位は主に評価上の leakage による artifact であり、honest な family-held-out 評価では消失することを示す。一方で hard videos/families の tail では fusion が有効であると報告する。

- 先行研究では expressive routing や feature fusion が plain averaging を上回ると報告されてきた。 - 本研究は 22-dataset testbed でそれらの gain が評価 artifact であると示す。 - corner theorem により score-space router の上限が oracle（test label を読む）であることを示す。 - ただし theorem は real router と calibrated global average の順序は与えず、routing への反証は empirical。 - leakage を統制した honest family-held-out folds では feature-fusion の +2.6pp が 12/12 significant から 0/12 へ消えると報告。

- frozen foundation-model experts を 22-dataset 上で比較する testbed を構築。 - calibrated score averaging、per-video router、learned head over concatenated features を評価。 - AUC が score ordering のみに依存する点から corner theorem を導出し、score-space router の ceiling を oracle と位置づける。 - leakage audit として fold 設計（one dataset held out vs. one manipulation held out）と evaluation granularity を 2×2 で検証。 - tail 評価として hard videos/families に対する global calibrated fusion（InvB）を worst-family AUC、selective risk（AURC）、low-false-positive…

- 22-dataset frozen-expert testbed で routing・feature fusion・calibrated averaging を比較。 - 2×2 over fold と evaluation granularity により +2.6pp の feature-fusion win が fold のみに起因すると特定。 - leaky folds では 12/12 significant、honest family-held-out folds では 0/12 で gain が消失。 - experts 追加に伴い全 expert が誤分類する videos が 15.2% から 2.3% へ減少。 - InvB が worst-family AUC、AURC、low-false-positive recall で best single expert を上回り、protocols 間で安定。

- routing への反証は theorem ではなく empirical であり、real router と calibrated global average の順序は theorem では決まらない。 - feature fusion は raw features を読むため theorem の外にあり、empirical に監査される。 - leakage の主因として、one dataset held out では identities と reals を共有する siblings が leak し routing を過大評価、one manipulation held out ではその dataset の reals が training に残り feature fusion を過大評価すると議論。 - 実務者への推奨として global に calibrate・combine し、dataset families 全体を hold out し、tail performance を測ることを挙げる。 - score-space routing では ranking met…

- 要旨で参照/比較されている calibrated score averaging、per-video router、learned head over concatenated features、InvB の各手法。 - corner theorem の詳細と oracle ceiling の定式化。 - leakage audit の fold 設計（one dataset held out / one manipulation held out）と evaluation granularity の 2×2 分析。 - tail 評価指標である worst-family AUC、selective risk（AURC）、low-false-positive recall の関連研究。 - cross-domain video deepfake detection における frozen foundation-model experts の leakage 監査および honest evaluation に関する研究。