身分証明書の不正検出は、静止した二値分類問題ではありません。適応的な攻撃者はテンプレートや製造パイプラインを変更し、過去の不正ラベルを陳腐化させ、成功した偽造品は大規模なキャンペーンとして繰り返し発生します。そこで研究者らは、クローズドセット分類だけでなく、オープンセットの不正発見を可能にするレイアウト認識表現学習を研究しました。
提案手法は、DINOv3を文書ドメインに適応させるために、文脈認識型SimMIMファインチューニングと、クラス間分離性とクラス内コンパクト性を促進する複合損失を用いた教師ありメトリック学習を採用しています。モデルは米国のIDのみで学習されますが、カナダのIDレイアウトに対して99.83%の分類精度を達成しました。
さらに、20,448枚のカナダIDデータセットにおいて、埋め込み空間分析により276件の適応型物理不正事例が明らかになり、そのうち222件は既存の検出器では発見されていませんでした。また、埋め込みは類似性に基づく拡張を可能にし、単一の確認済みシードから従来のメタデータグラフでは関連付けられていない追加事例を発見できます。
このレイアウト認識文書埋め込みは、分布シフト下での新規かつキャンペーンレベルの不正発見のための実運用に適した基盤を提供します。本論文は、Jinxing Li、Nicholas Ren、Cathy Chang、Hongkai Pan、Daniel Georgeによって執筆され、2026年4月17日にarXivに投稿されました。