사이버–물리–사회 시스템(CPSSs)의 급속한 확장은 진정한 디지털 상호작용에 대한 결정적인 필요성을 부각시킨다. 그러나 이러한 발전은 시스템의 보안과 신뢰를 훼손할 수 있는 딥페이크 기술로 인해 위협받고 있다. 기존 딥페이크 탐지 모델은 효과적임에도 불구하고, 통상적으로 중앙집중형 데이터가 필요하여 중대한 개인정보 및 보안 취약성을 야기한다. 또한 단일 양식의 RGB 데이터에 의존하기 때문에 정교한 위조를 탐지하는 능력이 제한된다. 본 연구는 두 가지 문제를 동시에 해결하는 새로운 프레임워크를 제안한다. 우리는 민감한 데이터를 공유하지 않고도 개인정보를 보존한 채로 협력적 모델 학습을 가능하게 하기 위해 연합학습(FL)을 활용한다. 탐지 정확도를 향상시키기 위해 단일 양식 입력을 넘어, 조작을 시사하는 고주파 특징을 추출하기 위한 공간 풍부 모델(SRM)을 통합한다. 이후 이러한 특징을 RGB 데이터와 함께 특화된 모듈을 통해 시너지 있게 융합함으로써 모델의 판별력을 개선한다. FF++ 데이터셋에 대한 실험 결과, 제안 방법은 정확도 92.00% 및 AUC 97.69%를 달성하였으며, 이는 다른 경쟁 방법들을 능가한다. 이러한 결과는 멀티모달 융합 전략과 연합학습 패러다임의 효과를 입증한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.