연구진은 오디오 딥페이크 탐지 시스템의 성별 편향을 진단하고 완화하는 새로운 프레임워크를 제시했습니다. AASIST와 Wav2Vec2+ResNet18 모델을 ASVSpoof5 데이터셋으로 평가한 결과, 훈련 데이터 불균형이 아닌 음향 표현 차이, 학습된 특징에서의 성별 정보 누출, 비대칭적인 평가 구조가 편향의 원인임을 밝혀냈습니다.
결정 임계값을 성별에 따라 조정하는 방법으로 탐지 정확도 손실 없이 불공정성을 54%에서 75%까지 감소시켰으며, 새로운 epoch-level fairness 정규화 방법은 기존 per-batch 방식보다 우수한 성능을 보였습니다.
연구 결과, 편향의 원인을 먼저 파악하고 그에 맞는 해결책을 적용해야 하며, 공정한 벤치마크 설계의 중요성을 강조했습니다.