أداة محايدة للسكان للكشف عن التزييف العميق تبدو واعدة

مجموعة من الباحثين الأمريكيين يقول لقد طوروا أول خوارزميات للكشف عن التزييف العميق المصممة لتكون أقل تحيزًا.

اختبر الفريق فكرتهم على خوارزمية ومجموعة بيانات معروفة وكانت دقة الكشف الإجمالية 91.49 بالمائة إلى 94.17 بالمائة. وبالاستناد إلى بحث خوارزمي منفصل، وجدوا فرقًا بنسبة 10.7 بالمائة في معدلات خطأ اكتشاف التزييف العميق بين الأنواع.

يعمل العلماء في جامعة بوفالو، وجامعة إنديانا-جامعة بوردو، وجامعة كارنيجي ميلون.

الباحث UB يان تشو هو يقول أثناء معالجة التحيز في أجهزة الكشف عن التعرف على الوجوه – وهي أولوية مهمة – أولت الجهود السابقة القليل من الاهتمام لتحيز كاشف التزييف العميق. ويختلف منظور الفريق عن التفكير التقليدي بطريقة أخرى.

بدلاً من محاولة موازنة قواعد البيانات البيومترية، اجعل الخوارزميات أكثر عدالة. يقول الفريق أن هذه هي المرة الأولى.

بالنسبة للمشروع، كجزء من وكالة مشاريع الأبحاث الدفاعية المتقدمة الأمريكية (DARPA)، طور الباحثون طريقتين للتعلم الآلي. أحدهما جعل الخوارزميات على دراية بالتركيبة السكانية المختلفة، والآخر كان “لا أدريًا ديموغرافيًا”.

ويقال إنهم قاموا بتحسين اختلافات الدقة “عبر الأجناس والأجناس”. تم أيضًا تحسين الدقة الإجمالية.

يقول المؤلف الرئيسي للدراسة: “نحن نذكر بشكل أساسي الخوارزميات التي نهتم بها الأداء العام، ولكننا نريد أن نضمن أن أداء كل مجموعة يلبي حدًا معينًا أو على الأقل أقل بكثير من الأداء العام”. عالم الكمبيوتر UB تشيوي ليو.

علاوة على ذلك، يتم تحرير الخوارزمية اللاأدرية من التحيز الديموغرافي لمجموعات البيانات من خلال تصنيف مقاطع الفيديو المتعمقة في الميزات في فئات “غير مرئية بسهولة للعين البشرية”.

استخدم الباحثون خوارزمية Xception مع مجموعات بيانات متعددة ومجموعة بيانات FaceForensics++ مع خوارزميات أخرى في عملهم وتم الحفاظ على الأساليب الجديدة في الغالب.

حدث التحسن في “قياسات معقولة جدًا” مع “دقة كشف إجمالية منخفضة قليلاً”.

ومع إدخال تحسينات على مجموعات البيانات البيومترية، يقول ليو إن التبادل يستحق العناء.

موضوعات المقال

التحيز البيومتري | القياسات الحيوية | بحوث القياسات الحيوية | كشف التزييف العميق | مزيفة عميقة