Graph-Clustered Block-QAOA
for Deepfake Feature Selection

딥페이크 이미지 Feature Selection을 위한 그래프 기반 클러스터링 블록-QAOA

A graph-aware quantum feature selection pipeline
for high-dimensional deepfake representations

---

▶ Project Introduction

From High-Dimensional Deepfake Features
to Graph-Aware Quantum Feature Selection

딥페이크 이미지의 고차원 특징을 그래프 구조로 해석하고,
Block-QAOA를 통해 핵심 feature subset을 선택하는 연구

본 프로젝트는 딥페이크 이미지 탐지에서 사용되는 고차원 feature representation의 비효율성을 줄이기 위해, 그래프 기반 feature clustering과 양자 근사 최적화 알고리즘인 QAOA를 결합한 feature selection pipeline을 제안한다. 본 연구는 딥페이크 feature를 단순한 벡터가 아니라 feature 간 관계를 가진 graph structure로 해석하고, 이를 기반으로 제한된 NISQ 환경에서도 적용 가능한 Block-QAOA 기반 feature selection 방법을 설계한다.

---

🧭 Motivation Flow

01	Increasing Deepfake Realism	최근 생성형 AI의 발전으로 딥페이크 이미지는 점점 더 정교해지고 있으며, 육안으로 진위 여부를 구분하기 어려워지고 있다.
02	Need for Subtle Feature Analysis	딥페이크 탐지는 단순한 시각적 차이가 아니라, 피부 질감의 비자연성, 얼굴 영역 간 불일치, 주파수 왜곡, 생성 모델 특유의 artifact와 같은 미세한 위조 단서를 포착해야 한다.
03	Limitation of Existing Detectors	CNN 또는 ViT 기반 탐지 모델은 고차원 feature representation에 의존하는 경우가 많으며, 이는 연산 비용, 저장 비용, feature 중복성 증가로 이어질 수 있다.
04	Need for Efficient Feature Selection	탐지 성능에 중요한 feature subset을 선택하면, 성능을 유지하면서도 모델의 효율성과 해석 가능성을 높일 수 있다.
05	Optimization Challenge	Feature selection은 각 feature를 선택할지 말지를 결정하는 조합 최적화 문제이며, feature 수가 증가할수록 탐색 공간이 기하급수적으로 커진다.
06	QAOA with NISQ Limitation	QAOA는 조합 최적화 문제에 유망한 접근법이지만, 현재의 NISQ 환경에서는 512차원 feature 전체를 한 번에 최적화하기 어렵다.

---

▶ Proposed Approach

We propose an M-FIG based Graph-Clustering Block-QAOA framework
for structure-aware and efficient deepfake feature selection.

본 연구는 딥페이크 이미지에서 추출된 512차원 feature를 단순한 숫자 배열로 보지 않고, feature 간 관계를 가진 상호작용 그래프로 해석한다.이를 위해 각 feature dimension을 node로 정의하고, feature 간 상관관계와 의존성을 edge weight로 표현하는 M-FIG(Multi-Feature Interaction Graph)를 구성한다. 이후 M-FIG를 기반으로 관련 있는 feature들을 block 단위로 clustering하고, 각 block 내부에서 QUBO 정식화와 Block-QAOA 최적화를 수행하여 딥페이크 탐지에 중요한 feature subset을 선택한다.

---

✨ Core Components

Component	Role
512-D Feature Representation	딥페이크 이미지의 미세한 위조 단서를 표현하는 고차원 feature
M-FIG	feature dimension 간 관계를 weighted graph로 모델링
Graph-based Clustering	관련 feature들을 같은 block으로 구성
QUBO Formulation	feature selection 문제를 binary optimization 문제로 변환
Block-QAOA	각 block 내부에서 핵심 feature subset을 선택
Classifier	선택된 feature subset을 사용하여 Fake/Real 판별 수행

---

🔬 Research Pipeline

Figure 1. M-FIG based Graph-Clustering Block-QAOA pipeline for deepfake feature selection.

The proposed framework consists of three stages:
classical feature extraction, M-FIG based graph construction, and hybrid quantum-classical feature selection.

📌 Research Contribution

본 연구의 주요 기여는 다음과 같다.

1. M-FIG 기반 feature interaction modeling
   딥페이크 이미지에서 추출된 512차원 feature를 단순한 벡터가 아니라,
   feature 간 관계를 가진 weighted graph로 모델링하였다.

2. Graph-based block construction
   기존의 sequential partitioning 방식과 달리,
   feature 간 관계를 반영하여 관련 feature들이 같은 block에 배치되도록 구성하였다.

3. NISQ-aware Block-QAOA pipeline
   512차원 feature 전체를 직접 QAOA에 입력하기 어려운 NISQ 제약을 고려하여,
   block-wise quantum optimization 구조를 설계하였다.

4. Efficient deepfake feature selection
   고차원 feature 중 탐지에 중요한 subset을 선택함으로써,
   연산 효율성과 모델 해석 가능성을 높이는 방향을 제안하였다.

👩‍💻 Members

이름	역할	소속/학번	Tech Stack	CV
이솔민	Leader	이화여자대학교 컴퓨터공학과 22	HTML CSS React Tailwind C JavaScript
김은솜	Member	이화여자대학교 컴퓨터공학과 22	Java Python C++
김정민	Member	이화여자대학교 컴퓨터공학과 22	HTML CSS C++

---

_{© 2025 Team Qubit — All Rights Reserved}
📁 Browse docs/