شهدت تقنيات الكشف عن التزييف العميق (Deepfake) تقدماً ملحوظاً، إلا أن معظم النماذج الحالية تواجه تحديات في عموميتها بسبب اعتمادها على اختصارات غير موثوقة مرتبطة بأساليب التزييف المختلفة. في دراستنا الجديدة، نقدم إطار عمل ثوري يسمى "تثبيط اختصارات التحايل المحددة" (Shortcut Subspace Suppression - S^3) الذي يسعى لتجاوز هذه العقبة.

تستند فكرتنا الأساسية إلى أن التVariations التي تميز بين أساليب التزييف المختلفة تحمل سمات خاصة بأساليب التزييف، مما يجعلها مؤشرات فعالة للاختصارات المرتبطة بها. لتحقيق ذلك، نقوم بتدريب نموذج خفيف لتصنيف أساليب التزييف، ونستخدم تحليل القيمة الفردية (Singular Value Decomposition - SVD) لاستخراج اختصار الفضاء السائد.

من خلال هذه الصياغة، طورنا استراتيجيتين متكاملتين تُقلل من الاعتماد على الاختصارات. خلال مرحلة التدريب، نقوم بتثبيط اختصار الفضاء في تمثيلات الميزات برفق، مما يشجع النموذج على الاعتماد على مؤشرات أكثر عمومية للتمييز بين الحقيقي والمزيف. في مرحلة الاستدلال، نقدم نهجًا خاليًا من التدريب يقوم بتخفيف عمل الخلايا العصبية المرتبطة بالاتجاهات المختصرة المعروفة، مما يجعل تعزيز العمومية ممكناً بطريقة سهلة الفهم.

تظهر التجارب الواسعة على العديد من المعايير أن طريقتنا تحسن بشكل كبير من عمومية النموذج عبر الأساليب، بينما تحافظ على أداء قوي في نطاق الاستخدام المحدد. ستتوفر الشفرة المستخدمة بمجرد قبول البحث للنشر.