この論文は、音声の偽造（ディープフェイク）を見分けるモデルが、訓練データに含まれる各種の偽造攻撃（例：テキスト読み上げ＝TTS、声を別人に変える＝VC）を同じ「偽造」クラスとして扱すると、全体の成績指標であるEER（Equal Error Rate）が示すよりも個別の攻撃ごとに偏った学習が起きることを示します。特に一部の攻撃が学習に強く影響し、モデルの決定境界を偏らせることがわかりました。論文はその原因を分析し、偏りを減らす学習法を提案します。

研究者たちはまず、TTSとVCという大きな攻撃カテゴリの「露出量」を制御する実験を行いました。具体的には「サンプル省略」と「攻撃単位の省略」の計八通りの訓練設定を作り、RawNet2、AASIST、そしてSSLベースのモデル（論文中はssl_slsなど）を同じ条件で訓練しました。評価にはASVspoof 2019（Logical Access）を中心に、ASVspoof 2021、ASVspoof 5、Fake-or-Real などのデータセットも併用しています。訓練中は攻撃ごとの損失（training loss）と予測エントロピー（予測の不確かさを表す指標）を追跡し、推論時には攻撃別のEERを計測しました。

分析の結果、全ての攻撃が同じように学習されるわけではありませんでした。ある攻撃は訓練で損失が低く、予測エントロピーが集中しており、その攻撃を外すと性能が大きく変わる、という特徴を示しました。こうした攻撃を論文では「高インパクト攻撃（high-impact attacks）」と定義します。逆に影響が小さい攻撃もあり、単にTTSとVCのサンプル数を合わせただけでは偏りは解消されませんでした。つまり露出のバランスだけでは「何がどれだけ学ばれるか」は決まらない、という重要な指摘がなされます。

偏りを抑えるために著者らは「リプレイ正則化付き攻撃認識カリキュラム」を提案します。手順はまず影響の小さい攻撃から学ばせ、その後に高インパクト攻撃へと段階的に触れさせます。さらに、学習済みの低影響攻撃の情報を忘れないように、教師—生徒（teacher–student）によるリプレイ正則化で過去の知識を維持します。この方法はASVspoof 2019、2021、ASVspoof 5、Fake-or-Real 上の実験で、標準的なマルチ攻撃学習に比べて全体の堅牢性が向上し、攻撃ごとの性能不均衡が小さくなったと報告されています。

重要な注意点として、解析の中心はASVspoof 2019 LAの設定です（ただし他データセットでも実験を行っていると明記）。「高インパクト攻撃」の識別は、EER感度やエントロピー・損失の動きといった診断に依存します。これらの指標は攻撃の影響を示しますが、すべてのケースで唯一の説明になるとは限りません。論文はコードと訓練設定を公開しており、再現とさらなる検証が可能です。今回の発見は、マルチ攻撃データでの訓練設計を見直す必要があることを示す実証的な一歩ですが、さらなるデータや別のモデルでの検証が望まれます。