Generalizable Dynamic Representation Learning for Source Identification in Sequential Data

doi:10.1109/TKDE.2026.3667734

2026-02-24

PRE

DOI：10.1109/TKDE.2026.3667734

原文链接

原文求助

摘要

En 中文

源识别是多媒体取证的基础任务，能够实现数字内容的归属和验证。尽管现有方法在静态数据上取得了显著进展，但它们通常难以有效泛化到序列数据，后者表现出由环境和传输因素引起的时序依赖性和动态变化等独特挑战。这些挑战在现实场景中进一步加剧，跨域变化（涵盖设备、软件和传输协议）显著降低了传统方法的表现。为解决这些局限性，我们提出VoVAE，一种针对序列数据通用源识别的概率变分框架。VoVAE显式建模时序依赖性，同时在一个解耦但互补的特征空间中将动态变化（如传输失真）与静态源特定特征（如设备模式）分离。通过分离这些因素，VoVAE能够提取鲁棒且可迁移的表示，确保在多样化和未见条件下准确实现源归属。我们在两个具有挑战性的取证应用中评估VoVAE：跨域VoIP电话呼叫识别和跨域视频源相机识别，使用VPCID和QUFVD数据集。实验结果表明，VoVAE优于当前最优方法，在跨设备、跨软件和跨品牌场景中实现了泛化能力的显著提升。全面的消融研究进一步强调了动态表示学习和特征解耦在捕捉时序模式及增强领域迁移鲁棒性方面的重要性。这些发现确立了VoVAE作为适用于多样化取证场景中序列数据源识别的可扩展且鲁棒解决方案。

Keyword:

Generalizable source identification

dynamic representation learning

sequential signal forensics

feature disentanglement