الشبكة العصبية التلافيفية الهجينة وإطار عمل الشبكة التوليدية العدائية للكشف القوي عن التزييف العميق: تعزيز الدقة وقابلية التوسع والتكامل متعدد الوسائط

Summary

تقترح هذه الورقة إطار عمل هجين للشبكة العصبية التلافيفية - الشبكة العدائية التوليدية (CNN-GAN) للكشف عن التزييف العميق ، ودمج التدريب العدائي ، والتحليل الزمني ، والأساليب متعددة الوسائط. يحقق النهج دقة اكتشاف بنسبة 98.5٪ ، ويوضح تعميما قويا عبر مجموعات البيانات المتنوعة ، ويدعم التحسين في الوقت الفعلي لمعالجة قابلية التوسع ، ومتانة الخصومة ، والتخفيف من المعلومات المضللة.

Abstract

تشكل التزييف العميق تهديدات خطيرة لسلامة الوسائط الرقمية والثقة المجتمعية. تقدم هذه الورقة إطارا هجينا للكشف عن التزييف العميق يجمع بين الشبكات العصبية التلافيفية (CNNs) والشبكات التوليدية الخصومة (GANs) لمواجهة التحديات في قابلية التوسع وقابلية التعميم ومتانة الخصومة. يدمج إطار العمل التدريب الخصومي ونموذج تحليل الاضمحلال الزمني والكشف متعدد الوسائط عبر مجالات الصوت والفيديو والنص. تم تقييمه وفقا لمجموعة البيانات المعيارية FaceForensics ++ ، حقق نموذج CNN-GAN الهجين أداء متطورا بدقة 98.5٪ ، ودقة 99.1٪ ، واستدعاء 97.9٪ ، ومنطقة خاصية تشغيل جهاز الاستقبال تحت منحنى 0.995 ، متجاوزا النماذج التقليدية مثل ResNet50 و XceptionNet و EfficientNet. يقوم مكون التحليل الزمني بنمذجة اضمحلال قابلية الكشف عن التزييف العميق بمرور الوقت ، مما يوجه إعادة التدريب الاستباقي ، بينما حددت الوحدة متعددة الوسائط 97.8٪ من التناقضات عبر الوسائط. كشفت محاكاة نشر التزييف العميق في الشبكات الاجتماعية عن آثار اجتماعية وتقنية كبيرة ، مع التركيز على الحاجة إلى أنظمة الكشف المبكر وحملات التوعية العامة للحد من انتشار المعلومات المضللة. يوازن إطار العمل، الذي تم تحسينه للنشر في الوقت الفعلي، بين قابلية التوسع العالية والاعتبارات الأخلاقية. تسلط هذه الدراسة الضوء على أهمية الأساليب متعددة التخصصات للكشف عن التزييف العميق في تطوير الضمانات القائمة على الذكاء الاصطناعي للنظم البيئية الرقمية. سيركز العمل المستقبلي على تطوير نماذج الكشف خفيفة الوزن ، وتحسين الدفاعات العدائية ، وتوسيع التطبيقات الخاصة بالمجال لتعزيز قابلية تطبيق إطار العمل ومرونته.

Introduction

أدت التطورات في الذكاء الاصطناعي (الذكاء الاصطناعي) والتعلم العميق في السنوات الأخيرة إلى تحويل مجالات مختلفة ، مما مكن تطبيقات مثل معالجة اللغة الطبيعية ورؤية الكمبيوتر والأنظمة^{المستقلة 1}. كان أحد أهم الاختراقات في النمذجة التوليدية ، لا سيما مع شبكات الخصومة التوليدية (GANs)². مكنت هذه النماذج من إنشاء وسائط اصطناعية مفرطة الواقعية تعرف باسم التزييف العميق ، والتي تنطوي على التلاعب بالصوت أو الفيديو أو الصور لتقليد موضوعات العالم الحقيقي بشكل مقنع. في حين أن هذه التكنولوجيا توفر إمكانيات إبداعية في مجالات مثل صناعة الأفلام والواقع الافتراضي وإنشاء المحتوى الرقمي ، إلا أنها تثير أيضا مخاوف أخلاقية وقانونية ومجتمعية عميقة. تشكل التزييف العميق تهديدا كبيرا في العديد من المجالات ، بما في ذلك أصالة الوسائط والأمن السيبراني والعمليات الديمقراطية. على سبيل المثال ، تم استخدام التزييف العميق كسلاح في حملات التضليل التي تهدف إلى نشر الروايات الكاذبة والتأثير على الرأي العام³. علاوة على ذلك ، فقد تم استخدامها لأغراض خبيثة مثل سرقة الهوية والابتزاز والمضايقة ، مما يهدد بشكل مباشر خصوصية الفرد وأمنه⁴. تؤكد قدرة التزييف العميق على تآكل الثقة في الوسائط الرقمية وزرع الارتباك أثناء الأحداث الحرجة (على سبيل المثال ، الانتخابات أو حالات الطوارئ العامة) على الحاجة الملحة لتطوير حلول لمواجهة إساءة استخدام هذه التكنولوجيا ونقاط ضعفها⁵.

من منظور تقني ، فإن انتشار تقنية التزييف العميق يغذيه إمكانية الوصول إليها. تتيح الأدوات مفتوحة المصدر والنماذج المدربة مسبقا والواجهات البديهية الآن حتى لغير الخبراء إنشاء تزويف عميق معقد⁶. ومع ذلك ، مع تحسن دقة الوسائط الاصطناعية ، يصبح اكتشاف أصالتها أمرا صعبا بشكل متزايد. تستغل مولدات التزييف العميق المتقدمة ، بما في ذلك البنى الحديثة مثل StyleGAN و CycleGAN ، قدرة الشبكات العصبية على نمذجة توزيعات البيانات عالية الأبعاد ، مما يجعلها بارعة في إنتاج عمليات تزوير لا يمكن تمييزها غالبا عن المحتوى الحقيقي⁷. وهناك العديد من العقبات التي تعوق وضع إطار للكشف على الرغم من الكم الكبير من أعمال البحث والتطوير. تتدهور دقة خوارزميات الكشف الحالية لأنها تواجه مجموعات بيانات متنوعة وبيئات واسعة النطاق في العالم الحقيقي ، على الرغم من العمل بشكل صحيح في المختبرات الخاضعة للرقابة. يتأثر أداء الكشف عن الأنظمة بشكل كبير عندما تختلف الدقة أو جودة الضغط أو التنسيق بين الأمثلة. عادة ما تحدث عملية التدريب على أنظمة الكشف مع مجموعات بيانات محددة ، مما يعيق قدرتها على اكتشاف التزييف العميق الناتج عن طرق جديدة وبيانات غير مرئية. عند استخدامها في مواقف العالم الحقيقي ، تصبح هذه الكاشفات أقل فعالية بسبب قدراتها المحدودة على التعميم. يتم تطوير مولدات التزييف العميق من خلال الخصوم من خلال تنفيذ طرق تعمل على وجه التحديد لإخفاء أنظمة الكشف. تؤدي هذه الإجراءات المضادة إلى هزيمة حتى أحدث الموديلات بسبب تجاوز⁸. تتسبب الطبيعة المبهمة لنماذج التعلم العميق في انتقادات واسعة النطاق لأن عمليات اتخاذ القرار الخاصة بها لا تقدم نتائج قابلة للتفسير ، لا سيما في المجالات الأساسية مثل إنفاذ القانون والأنشطة^{القضائية.}

تعمل الدراسات الفردية في مجال أبحاث التزييف العميق بشكل منفصل عن بعضها البعض لأنها تستهدف المشكلات المستقلة دون تكامل. قرر الباحثون معالجة ثلاثة مجالات رئيسية لتحديات التزييف العميق بشكل منفصل من خلال دقة الكشف ، ومتانة الخصومة ، والاستكشاف الأخلاقي¹⁰. وبالتالي ، غالبا ما تصبح آليات الكشف التقليدية التي تعتمد على القطع الأثرية الإرشادية أو الخاصة بالمجال عفا عليها الزمن بسبب تقنيات التوليد المتطورة هذه.

التحديات في الكشف عن التزييف العميق والتخفيف من حدته

قابلية التوسع: تعمل العديد من خوارزميات الكشف الحالية بشكل جيد في الإعدادات التجريبية الخاضعة للرقابة ولكنها تكافح للحفاظ على الدقة على نطاق واسع عند تطبيقها على مجموعات بيانات متنوعة في العالم الحقيقي. على سبيل المثال، يمكن أن تؤثر الاختلافات في الدقة أو جودة الضغط أو تنسيق الملف بشكل كبير على أداء الكشف¹¹.

التعميم: غالبا ما يتم تدريب أنظمة الكشف على مجموعات بيانات محددة ، مما يحد من قدرتها على التعرف على التزييف العميق الذي تم إنشاؤه بواسطة طرق جديدة أو من البيانات غير المرئية. يعيق هذا النقص في التعميم فعاليتها في تطبيقات العالم الحقيقي ، حيث قد تفشل النماذج عند مواجهة التزييف العميق الذي يختلف عن أمثلة التدريب الخاصة بهم.

متانة الخصومة: تستمر مولدات التزييف العميق في التطور من خلال دمج تقنيات العداء المصممة للتهرب من الكشف. تستغل مثل هذه الإجراءات المضادة نقاط الضعف في نماذج الكشف ، مما يجعل حتى الأنظمة الحديثة غير فعالة. على سبيل المثال ، خان وآخرون أظهر أن التزييف العميق المحسن بشكل عدائي يمكن أن يقلل من دقة الكشف بنسبة تصل إلى 30٪ ¹².

قابلية الشرح: كثيرا ما يتم انتقاد أجهزة الكشف القائمة على التعلم العميق بسبب طبيعتها "الصندوق الأسود". يثير الافتقار إلى قابلية التفسير في عمليات صنع القرار مخاوف بشأن الموثوقية في السيناريوهات عالية المخاطر مثل إنفاذ القانون أو الإعدادات القضائية. لمعالجة هذا الأمر ، يدعو باحثون مثل Domenteanu et al. و Verdoliva إلى دمج تقنيات الذكاء الاصطناعي القابلة للتفسير (XAI) في نماذج الكشف لتعزيز الشفافية والجدارة بالثقة^7،9.

المخاوف الأخلاقية والمجتمعية: وبعيدا عن العقبات التقنية، تشكل التزييف العميق مخاطر أخلاقية ومجتمعية هائلة. وفقا لنايتالي وآخرون ، يتم إساءة استخدام التزييف العميق بشكل متزايد في حملات التضليل السياسي وسرقة الهوية والمضايقات. كما أفاد Chesney و Citron أيضا ، يمكن أن يؤدي هذا إلى تآكل كبير في الثقة في وسائل الإعلام ويهدد العمليات الديمقراطية⁸.

الحاجة إلى إطار موحد وحلول ناشئة

المشهد الحالي لأبحاث التزييف العميق مجزأ ، حيث غالبا ما تتناول الدراسات هذه التحديات بمعزل عن غيرها. لمكافحة التزييف العميق بشكل فعال ، من الضروري وجود إطار موحد يدمج الأساليب المتنوعة. تظهر التحليلات الببليومترية الحديثة معدل نمو سنوي يزيد عن 50٪ في المنشورات المتعلقة بالتزييف العميق ، مما يسلط الضوء على التركيز الأكاديمي والصناعي المكثف. تعكس اتجاهات التمويل هذا ، حيث تخصص الحكومات والمنظمات الخاصة موارد كبيرة للحلول القابلة للتكيف ، لا سيما للمشاريع التي تدمج البنى الهجينة مثل CNN-GAN لتعزيز دقة الكشف.

يجب أن يستفيد الإطار الفعال من رؤى من مجالات متعددة وأن يتضمن الابتكارات الخوارزمية الرئيسية التي اقترحها الباحثون مؤخرا:

الأطر المختلطة: كحل واعد ، حققت النماذج الهجينة التي تدمج شبكات CNN لاستخراج الميزات و GAN للتدريب العدائي دقة حديثة بنسبة 98.5٪ و ROC-AUC تبلغ 0.995 في مجموعات البيانات المعيارية.

التحليل متعدد الوسائط: بناء على النتائج التي توصل إليها باحثون مثل Nguyen et al. ، فإن الجمع بين تحليل الصوت والفيديو والنص يعزز قدرات^{الكشف 5}. هذا النهج فعال في تحديد أوجه عدم الاتساق عبر تدفقات البيانات (على سبيل المثال ، عدم تطابق مزامنة الشفاه) التي غالبا ما تفوتها أنظمة الطريقة الواحدة.

الكشف المتقدم عن النص: أظهرت تقنيات معالجة اللغة الطبيعية (NLP) ، باستخدام نماذج مثل RoBERTa ، تحسينات كبيرة في اكتشاف التناقضات الدلالية في نص التزييف العميق ، مثل التغريدات التي تم التلاعب بها.

التدريب الخصومي: لتأمين الأنظمة ضد التهرب ، تم دمج تقنيات التدريب العدائي في خطوط أنابيب الكشف ، مما يثبت فعاليتها في تقليل تأثير التزييف العميق الذي تم إنشاؤه من قبل العداء.

تطوير مجموعة البيانات: أكد الباحثون على الحاجة إلى مجموعات بيانات شاملة ومتنوعة لتدريب النماذج وتقييمها بشكل فعال. في حين أن مجموعات البيانات العامة مثل FaceForensics ++ كانت مفيدة ، إلا أن هناك حاجة إلى مزيد من التنوع لمواجهة تحديات العالم الحقيقي.

مساهمات هذا البحث:

بناء على الدوافع المذكورة أعلاه ، تقترح هذه الدراسة إطارا شاملا يجمع بين الرؤى الببليومترية والنمذجة الرياضية والتقنيات الخوارزمية المتقدمة لمواجهة تحديات التزييف العميق بشكل شامل. تشمل المساهمات الرئيسية ما يلي:

التحليل الببليومتري: قمنا بفحص المنشورات في قواعد البيانات الأكاديمية الرائدة لتحديد مجالات التركيز الرئيسية ، مثل ظهور الكشف عن الوسائط المتعددة والاهتمام المتزايد ب الذكاء الاصطناعي القابل للتفسير ، والذي وجه أهداف بحثنا.

نموذج رياضي للقابلية: قمنا بتطوير نموذج قائم على الانحدار اللوجستي لتحديد احتمالية التصنيف الصحيح من خلال دمج عوامل مثل جودة الوسائط وبنية GAN وتنوع مجموعة البيانات.

إطار الكشف الهجين CNN-GAN: تم اقتراح آلية كشف جديدة توحد نقاط القوة في CNNs و GANs. يتم تدريب النموذج بشكل عدائي وحقق دقة ودقة واستدعاء محسنة بشكل كبير مقارنة بأجهزة الكشف الأساسية.

المحاكاة الاجتماعية والتقنية: قمنا بإجراء عمليات محاكاة لدراسة انتشار وتأثير التزييف العميق على الشبكات الاجتماعية. تقدم النتائج رؤى حول تأثيرها المجتمعي المحتمل وتسترشد باستراتيجيات التخفيف الموجهة نحو السياسات. تم استخدام مجموعة بيانات FaceForensics ++ لهذه الدراسة نظرا لتغطيتها الشاملة للوسائط الحقيقية والمتلاعب بها من مختلف بنى GAN.

Protocol

لم تتضمن هذه الدراسة أشخاصا بشريا أو تجارب على. تم الحصول على جميع بيانات التزييف العميق المستخدمة من مجموعات البيانات المتاحة للجمهور ، ولم يتم استخدام أي معلومات تعريف شخصية. وبناء على ذلك، لم تكن هناك حاجة إلى موافقة أخلاقية رسمية. تم إجراء البحث وفقا للمبادئ التوجيهية المؤسسية والمعايير الأخلاقية للدراسات التي تنطوي على الذكاء الاصطناعي وتحليل البيانات. يتمثل أحد التحديات الأساسية في ضمان توسع خوارزميات الكشف بشكل فعال للتعامل مع مجموعات البيانات المتنوعة وسيناريوهات العالم الحقيقي. تم تحسين معظم الطرق الحالية لمعايير محددة ، مثل FaceForensics ++ ⁷ ، ولكنها تعمل بشكل سيئ عند تطبيقها على بيانات العالم الحقيقي.

يعمل الإطار الرياضي لاكتشاف التزييف العميق وتحليله كعنصر أساسي لفهم القابلية للإصابة وفعالية خوارزميات الكشف والديناميكيات الاجتماعية والتقنية لنشر التزييف العميق. يقدم هذا القسم نماذج لتحليل الحساسية ، وإمكانية الكشف الزمني ، والرؤى المستندة إلى الشبكة ، والتي ترتكز على الأبحاث الحديثة والصيغ النظرية. يتضمن اكتشاف التزييف العميق تقييم خصائص الوسائط لتحديد احتمالية صحتها. يعد نموذج الانحدار اللوجستي أداة قوية لنمذجة قابلية أنظمة الكشف عن التزييف العميق. يمكن التعبير عن احتمال التصنيف الدقيق P (C) كما في المعادلة 1:

(1)

أين:

P (C): احتمال التصنيف الدقيق (يحد بين 0 و 1).

β₀: اعتراض نموذج الانحدار اللوجستي.

β_i : المعاملات التي تمثل تأثير كل ميزة.

X_i: ميزات تؤثر على القابلية للتأثر ، مثل الدقة وجودة الضغط وبنية GAN والتحف.

يمكن تدريب هذا النموذج باستخدام مجموعة بيانات مصنفة من الوسائط الأصلية والمزيفة ، مما يسمح بتعلم المعاملات (β_i) تجريبيا¹³.

فعالية أنظمة الكشف ليست ثابتة. يتطور بمرور الوقت مع تحسن تقنيات توليد التزييف العميق. التحليل الزمني ضروري لفهم هذه الديناميكية. يمكن نمذجة إمكانية اكتشاف التزييف العميق بمرور الوقت باستخدام دالة الاضمحلال الأسي كما هو موضح في المعادلة 2:

(2)

أين:

P_t: احتمال الكشف في الوقت ر.

P₀: الاحتمال الأولي للكشف.

λ: ثابت الاضمحلال ، يمثل معدل الانخفاض في قابلية الكشف.

ر: انقضى الوقت منذ تقديم التزييف العميق.

يتم تحديد ثابت الاضمحلال λ تجريبيا من خلال مراقبة أداء أنظمة الكشف بمرور الوقت. تظهر الدراسات التي أجراها Liu et al. أن نماذج الكشف الحديثة تظهر انخفاضا سريعا في الأداء عند مواجهة معماريات GAN الأحدث ، مما يعكس أهمية λ في تقييم متانة النظام¹⁴. لفهم انتشار التزييف العميق في الشبكات الاجتماعية واتجاهات البحث ، يعد تحليل الشبكة أداة قيمة. تستخدم مصفوفات الكلمات الرئيسية المتزامنة وهياكل الرسم البياني الاجتماعي لنمذجة العلاقات وأنماط^{النشر 15}.

تلتقط شبكة الكلمات الرئيسية المشتركة العلاقات بين الكلمات الرئيسية للبحث. يتم تعريف مصفوفة الحدوث المشترك على النحو الوارد في المعادلة 3:

(3)

حيث يمثل M_ij تكرار الحدوث المشترك للكلمات الرئيسية ki و kj في المنشورات البحثية. من هذه المصفوفة ، يتم إنشاء رسم بياني للشبكة ، حيث تمثل العقد الكلمات الرئيسية وتمثل الحواف علاقات الحدوث المشترك.

تحدد مقاييس المركزية مثل مركزية الدرجة ومركزية الوسط الكلمات الرئيسية المؤثرة والموضوعات الناشئة. استخدم Domenteanu et al. هذه التقنية لتسليط الضوء على أهمية مصطلحات مثل "GANs" و "التلاعب بالوجه" و "الطب الشرعي" في الأدبيات الحديثة ، مع التنبؤ باتجاهات مثل الذكاء الاصطناعي القابل للتفسير واكتشاف التزييف العميق متعدد^{الوسائط 9}.

تتضمن محاكاة انتشار التزييف العميق على المنصات الاجتماعية نمذجة قابلية المستخدم وديناميكيات التفاعل. يمكن لنموذج العدوى المتعافية (SIR) تقريب الانتشار كما هو موضح في المعادلة 4:

(4)

أين:

S ، I ، R: نسب المستخدمين المعرضين للإصابة والمصابين (المتأثرين) والمتعافين.

β: معدل الإرسال ، الذي يمثل احتمالية مشاركة المستخدمين للتزييف العميق.

γ: معدل الاسترداد ، الذي يمثل احتمالية قيام المستخدمين بفضح أو تجاهل التزييف العميق.

يجب أن تتطور أطر الكشف عن التزييف العميق لمواجهة التحديات التي تفرضها النماذج التوليدية المتطورة بشكل متزايد. يحدد هذا القسم مجموعات البيانات وإطار عمل الكشف الهجين الذي يدمج الشبكات العصبية التلافيفية (CNNs) والشبكات التوليدية الخصومة (GANs) مع التحليل الزمني لتعزيز المتانة وقابلية التوسع وقابلية التعميم. يتم تعريف مكونات بنية CNN-GAN الهجينة في الجدول 1 وإعدادات المعلمة الفائقة في الجدول 2. تم اقتراح بنية CNN-GAN هجينة للاستفادة من نقاط القوة في كل من CNNs و GANs. يتكون الإطار من عنصرين أساسيين:

المميز المستند إلى CNN: تعمل CNN كتمييز ، مدربة على تصنيف وسائل الإعلام على أنها حقيقية أو مزيفة. يتم استخدام بنى CNN المتقدمة مثل ResNet50 لاستخراج الميزات. يتم اختيار هذه البنى لقدرتها على التقاط الأنماط والتحف المعقدة التي تم تقديمها خلال الجيل¹⁶ من التزييف العميق.

مولد قائم على GAN: يعمل GAN كمولد ، مكلف بإنشاء تزويف عميق واقعي بشكل متزايد لتحدي المميز¹⁷. يتم استخدام معماريات مثل StyleGAN أو CycleGAN لقدرتها على إنشاء صور ومقاطع فيديو عالية الدقة. يتم تدريب المميز والمولد بشكل عدائي ، مما يؤدي إلى تحسين أدائهما بشكل متكرر. تعرف دالة الخسارة لهذا الإطار على النحو الوارد في المعادلة 5:

(5)

أين:

_{L المميز}: خسارة الانتروبيا الثنائية المتقاطعة لتصنيف الوسائط الحقيقية مقابل الوسائط المزيفة.

_مولد L: خسارة عدائية لتوليد التزييف العميق الواقعي.

α: عامل الترجيح الذي يوازن بين مكوني الخسارة.

يضمن نموذج التدريب العدائي هذا أن يصبح المميز أكثر مهارة في اكتشاف القطع الأثرية الدقيقة ، بينما يحسن المولد قدرته على إنشاء تزويف عميق مقنع. كما هو موضح من قبل Mathur et al ، حقق هذا النهج دقة اكتشاف تبلغ 98.5٪ و ROC-AUC بنسبة 0.995 على مجموعات البيانات المعيارية مثل FaceForensics ++ ⁴. يوضح الشكل 1 بنية النموذج المقترح.

يجب أن تتكيف أنظمة الكشف عن التزييف العميق مع التطور المتطور للتقنيات التوليدية. تم دمج التحليل الزمني في إطار العمل لنمذجة قابلية اكتشاف التزييف العميق بمرور الوقت. ويتحقق ذلك باستخدام نموذج الاضمحلال الأسي كما هو موضح في المعادلة 6:

(6)

أين:

P_t: احتمال الكشف في الوقت ر.

P₀: الاحتمال الأولي للكشف.

ثابت الاضمحلال ، يمثل معدل الانخفاض في قابلية الكشف.

ر: انقضى الوقت منذ تقديم التزييف العميق.

من خلال دمج هذا النموذج ، يمكن للإطار التنبؤ بالمدة التي يظل فيها نظام الكشف فعالا وتحديد متى تكون إعادة تدريب النموذج أو ترقيته ضرورية¹⁸.

1. الخوارزمية 1: إطار عمل الكشف عن التزييف العميق الهجين CNN-GAN

الادخال: مجموعة البيانات D = {(X_i ، Y_i)} ، معدلات التعلم η_d ، η_g ، حجم الدفعة B ، α ترجيح الخسارة.

الناتج: نموذج الكشف عن CNN-GAN المدرب.

1. إعداد البيانات
   1. قسم D إلى مجموعات تدريب (_قطار D) والتحقق من الصحة (D_val) واختبار (_اختبار D).
   2. تطبيع البيانات وتغيير حجم المدخلات (224 × 224) وزيادة لتحسين التنوع.
2. تهيئة النموذج
   1. مميز:
      1. تهيئة D_θ ، مصنف ثنائي قائم على CNN مع معلمات θ_d.
   2. مولد:
      1. تهيئة G_φ ، وهو مولد قائم على GAN مع معلمات φ.
3. حلقة التدريب
   1. بالنسبة للعصور N:
      1. عينة من مجموعة من البيانات الحقيقية (X_r) والمزيفة (X_f).
      2. توليد البيانات التركيبية: X_g = G_φ(Z) ، حيث Z ~ N (0،1).
   2. خسارة التمييز:
      
      تحديث:
      
   3. فقدان المولد:
      
      تحديث:
      
   4. الخسارة المجمعة:
      
4. التحليل الزمني
   1. تطبيق نموذج الاضمحلال:
       
      حيث يتم اشتقاق λ تجريبيا من بيانات التحقق من الصحة.
   2. أعد تدريب النموذج بشكل دوري بناء على λ.
5. التكامل متعدد الوسائط
   1. حساب التنبؤات من أجل:
      1. الصوت: P_a عبر شذوذ المخطط الطيفي.
      2. فيديو: P_v عبر القطع الأثرية للإطار.
      3. النص: P_t عبر الفحوصات الدلالية القائمة على البرمجة اللغوية العصبية.
   2. التنبؤ النهائي:
      
      حيث W هي الأوزان.
6. تقييم النموذج
   1. اختبر على_اختبار D باستخدام المقاييس: الدقة ، الدقة ، الاستدعاء ، F1-Score ، ROC-AUC.
7. نشر
   1. تحسين D_θ ،_{G φ} عن طريق التقليم والتكميم.
   2. النشر على الأنظمة الأساسية السحابية والمتطورة باستخدام أدوات التفسير.

نهاية الخوارزمية

لمعالجة قيود أنظمة الكشف أحادية الواسطة، يشتمل الإطار المقترح على تحليل متعدد الوسائط. من خلال الجمع بين تحليل الصوت والفيديو والنص ، يعزز إطار العمل المتانة ويقلل من احتمالية الاكتشافات^{المفقودة 2}. يتضمن إطار العمل مكون محاكاة لتحليل نشر التزييف العميق في الشبكات الاجتماعية. ولضمان فعالية الإطار المقترح، تستخدم مقاييس تقييم صارمة كما هو موضح في الجدول 3.

Results

تم تقييم إطار عمل الكشف الهجين المقترح بدقة عبر أبعاد متعددة ، بما في ذلك دقة الكشف ودقته ، واختبارات قابلية التوسع والتعميم ، ومتانة الخصومة ، وتحليل التأثير الاجتماعي والتقني. تلخص الأقسام التالية النتائج التجريبية الرئيسية.

أداء نموذج CNN-GAN الهجين

قمنا بقياس نموذجنا الهجين مقابل ثلاثة نماذج حديثة للكشف عن التزييف العميق - ResNet50 و XceptionNet و EfficientNet باستخدام مجموعة بيانات FaceForensics ++. يقدم

Discussion

توضح النتائج التجريبية أن إطار عمل CNN-GAN الهجين المقترح ، المعزز بالتحليل الزمني والتكامل متعدد الوسائط ، يعالج بشكل فعال العديد من التحديات الأساسية في اكتشاف التزييف العميق. في هذه المناقشة، ندرس الآثار المترتبة على هذه النتائج، ونقاط القوة والقيود في نهجنا، والاتجاهات المستقبلية للبحث والنشر.

الأداء والمساهمات

يؤكد الأداء المتفوق لإطار العمل على جميع المقاييس الرئيسية (الدقة 98.5٪ ، F1 98.5٪ ، ROC-AUC 0.995) م...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
عميل Google API	جوجل	N / A	برنامج Google API هو مكتبة عميل Python لواجهات برمجة التطبيقات المستندة إلى الاكتشاف من Google. https://github.com/googleapis/ google-api-python-client
إنتل   ؛	OpenCV	N / A	OpenCV هي مكتبة لرؤية الكمبيوتر. https://opencv.org
بايثون	مؤسسة بايثون للبرمجيات	N / A	Python هي لغة برمجة. https://www.python.org
PyTorch	أبحاث الذكاء الاصطناعي على فيسبوك	N / A	PyTorch هو إطار عمل للتعلم الآلي. https://pytorch.org