بدأت أدوات كشف الخطاب المزيف (Fake Speech Detectors) تواجه تحديات متزايدة بفضل تطور النماذج التوليدية الأكثر دقة. في ظل هذه الظروف، أصبحت تقنيات التعلم المستمر (Continual Learning) تُعتبر حلاً فعّالاً لتحديث النماذج لاستيعاب مجموعات بيانات جديدة. ومع ذلك، تؤدي هذه الاستراتيجية إلى ظاهرة تُعرف بالنسيان الكارثي (Catastrophic Forgetting)، حيث تنخفض كفاءة النماذج في التعامل مع البيانات التي تم تدريبها عليها سابقًا.

لذلك، طرح الباحثون حلاً مبتكرًا يعتمد على استخدام مترجمين مجاليين (Domain Translators) ضمن نظام كشف مجمد. تتضمن هذه الطريقة استخدام شبكة لمترجم التتبع (Traceback Translator Network) من أجل إعادة رسم الفضاءات الميزات الجديدة إلى الفضاءات القديمة. هذا يعزز القدرة على تحقيق معدلات كشف عالية مقارنة بإعادة التدريب التقليدي، مع تقليل الجهد الحاسوبي والحفاظ على دقة الكشف على البيانات السابقة.

تتضمن النتائج التجريبية لهذا البحث أن هذه الاستراتيجية الجديدة ليست فقط فعالة في تحسين الأداء، بل تسهم أيضًا في تناول الإشكاليات المتعلقة بالنسيان الكارثي، مما يجعلها خطوة واعدة في مجال كشف الخطاب المزيف.