우리는 화자 참조 녹음 (speaker-reference recordings)을 조건으로 하는 스푸핑 대응 (spoofing countermeasure) 아키텍처를 소개하지만, 이것이 추론 (inference) 과정에서 참조를 효과적으로 무시하는 솔루션으로 수렴한다는 점을 관찰했습니다. 놀랍게도, 참조 채널 (reference channel)을 사용하여 학습하는 것은 추론 시 참조가 없거나 일치하지 않는 경우에도 딥페이크 탐지 (deepfake detection) 성능을 향상시키는 불변성 (invariance)을 유도합니다. 이러한 관찰을 바탕으로, 우리는 참조 증강 학습 (Reference-Augmented Training, RAT) 전략을 제안합니다. RAT는 추론 시 참조 녹음이 제로 벡터 (zero vector)로 대체되는 경우에도 단일 발화 (single-utterance) 베이스라인에 비해 향상된 탐지 성능을 제공합니다. 엄격한 분석을 통해, 우리는 최적화 (optimization) 과정이 참조의 기여도를 빠르게 감소시켜 추론이 참조 채널로부터 크게 독립되도록 만든다는 것을 입증합니다. RAT를 사용하여 우리는 단일 탐지기만으로 ASVspoof 5 벤치마크에서 2.57% EER 및 0.074 minDCF라는 최첨단 (state-of-the-art) 성능을 달성하였으며, 이는 대규모 앙상블 (ensemble) 시스템조차 능가하는 수치입니다.