arXiv · cs.AI · Miao He, Peng Cheng, Zhongjie Ba, Qing Wen, Li Lu, Xin Yang, Kui Ren · 11 小时前模型评分33
面向音频深度伪造检测的任务感知联合剪枝与蒸馏框架
Task-Aware Joint Pruning and Distillation for Efficient Audio Deepfake Detection
导读
研究提出任务感知联合剪枝与蒸馏框架，将基于自监督学习的音频深度伪造检测模型压缩至31.9M参数，浮点运算量减少6.3倍，在多个数据集上平均性能仅下降1.30%。该框架结合跨域知识蒸馏与运动引导结构化剪枝，在激进压缩下保留伪造判别知识，为资源受限设备上的端侧部署提供可能。
分类置信度
中 · 待人工复核
- 只有单一媒体来源，需要人工复核。
来源级别：媒体与个人
事件类型：研究发布
证据摘录
- “We propose a Task-Aware Joint Pruning and Distillation framework that combines cross-domain knowledge distillation with movement-guided structured pruning to transfer forgery-discriminative knowledge and preserve critical structures under aggressive compression.”
来源：arXiv · cs.AI · arxiv.org