CHÚC MỪNG HỌC VIÊN NGÀNH HỆ THỐNG THÔNG TIN CÓ BÀI BÁO ĐƯỢC CHẤP NHẬN ĐĂNG TẠI TẠP CHÍ KHOA HỌC QUỐC TẾ SN COMPUTER SCIENCE (Q2)
SN Computer Science (SNCS) là tạp chí khoa học quốc tế có phản biện, thuộc Springer Nature, công bố các nghiên cứu có chất lượng trong nhiều lĩnh vực của khoa học máy tính và công nghệ thông tin. Phạm vi của tạp chí bao quát từ trí tuệ nhân tạo, học máy, thị giác máy tính, xử lý ảnh, an toàn thông tin, Internet vạn vật, điện toán đám mây, kỹ thuật phần mềm đến các lĩnh vực liên ngành mới nổi.
Tạp chí có mã ISSN trực tuyến 2661-8907 và sử dụng tiếng Anh làm ngôn ngữ xuất bản. SN Computer Science là tạp chí quốc tế thuộc Springer Nature, được xếp hạng Q2.
Đơn vị xuất bản: Springer Nature.
Phân loại: Q2.
Tên viết tắt: SNCS.
Thông tin tạp chí: https://link.springer.com/journal/42979
Tên bài báo: “MAS Optimization for Temporal Deepfake Detection: Reducing Cross-Fold Variance in Video Forensics”
Học viên thực hiện:
- Nguyễn Minh Nhựt – Học viên Cao học ngành Hệ thống Thông tin, Khóa 2022
Giảng viên hướng dẫn: PGS. TS. Nguyễn Đình Thuân
Abstract: Temporal deepfake detection models often suffer from high cross-fold variance and optimization bias, reducing their reliability in real-world forensic applications. Highly correlated sequential video data exacerbates this instability, causing traditional adaptive optimizers to overfit to specific data splits. To address this, we propose MAS (Momentum-Adaptive Switching) and its decoupled weight-decay variant, MASW. These proposed hybrid optimization strategies blend the adaptive gradient scaling of Adamax with the regularizing heavy-ball momentum of SGD to stabilize training trajectories.
The framework utilizes a spatial backbone (evaluated on both MobileNetV2 and ResNet50V2), a BiLSTM with self-attention for temporal modeling, and a Kolmogorov–Arnold Network (KAN) classifier. To prevent state collapse during inference under imbalanced folds, a robust Hidden Markov Model (HMM) with Random Over-Sampling and class-weighted transition penalties is employed.
Experimental results demonstrate that the proposed MAS framework significantly reduces cross-fold variance and outperforms modern optimizers like AdamW. Notably, controlled ablation studies reveal that MAS provides superior temporal stability, reducing prediction variance and label flip rates across varied sequence lengths, while mitigating catastrophic state collapse in downstream probabilistic modeling.
