伪语音检测器正面临新型生成模型带来的挑战。为应对这一问题，持续学习技术逐渐被视为更新模型以适应新数据集的可行策略，但这往往导致对先前样本性能的下降（灾难性遗忘）。
本研究提出了一种基于域翻译器的抗遗忘解决方案，采用冻结的检测器，通过追溯翻译器网络将新的特征空间重新映射回原始特征空间。实验结果表明，该策略在保持对先前数据检测准确性方面，能够实现高检测率，同时减少计算开销，相较于传统的重新训练方法更具优势。
博主点评： 这项研究提供了一种创新的方法来解决持续学习中的灾难性遗忘问题，尤其在伪语音检测领域具有重要意义。通过引入追溯翻译器，可以有效提升模型的适应性与准确性，展示了持续学习的潜力和挑战。