آليات كشف التزييف العميق

آليات كشف التزييف العميق:

تُطوِّر شركات الأمن الإلكتروني التقنيات والخوارزميات لمكافحة التزييف العميق؛ إذ تستطيع تحديد التباينات المحتملة كلها التي من المحتمل حدوثها خلال إجراء عملية التزييف؛ لكنَّك تستطيع ملاحظة التشويهات الشائعة بعينيك بما في ذلك:

حركة غريبة أو اهتزاز على أطراف الوجه أو عدم تزامن حركة الشفاه مع الصوت، أو تغييرات في لون البشرة، أو رمش أجفان العيون بطريقة غريبة أو عدم الرمش إطلاقاً، أو عرض غير جيد للشعر والأسنان والمجوهرات وما إلى ذلك من التفاصيل الدقيقة.

إضافة إلى ذلك حقَّق التعلم العميق نجاحاً كبيراً في مجال اكتشاف التزييف العميق، بما في ذلك الصور ومقاطع الفيديو.

1. نماذج الكشف عن الصور:

شبكات GAN:

شبكات الخصومة التوليدية (GANs) من أشكال الشبكات العصبية العميقة التي تُستخدم استخداماً شائعاً للإنشاء المزيف العميق للصور، وتتميز بقدرتها على التعلم من مجموعة بيانات التدريب وإنشاء عينة من البيانات بالمميزات والخصائص نفسها.

إذ تستخدم هذه الطريقة تقنيات ما قبل المعالجة لتحليل السمات الإحصائية للصورة وتعزِّز اكتشاف صورة الوجه المزيفة التي أنشأها البشر، كما تقدم نهجاً آخر يعتمد على شبكة عصبية تلافيفية عميقة لاكتشاف الصور المزيفة التي أنشأتها شبكات GAN؛ إذ يستخدم النموذج الأول شبكة التعلم العميق لاستخراج ميزات الوجه بناءً على شبكات التعرف إلى الوجوه، ثم يستخدم خطوة الضبط الدقيق لجعل ميزات الوجه مناسبة لاكتشاف الصور الحقيقية أو المزيفة.

لكن معظم الأبحاث السابقة تتجاهل أهم قضية لقدرات التعميم لنموذج الطب الشرعي؛ إذ إنَّهم يستخدمون النوع نفسه من مجموعة البيانات لتدريب نماذجهم واختبارها لمعالجة هذه المشكلة؛ إذ قدمت الشبكة العصبية التلافيفية للطب الشرعي خطوتين للمعالجة المسبقة للصور لاكتشاف الصور البشرية المزيفة:

شاهد بالفديو: 10 وسائل فعّالة لحياة رقمية أكثر أماناً

استخدام خطوات المعالجة المسبقة لإهمال الأداة ذات المستوى المنخفض من القرائن عالية التردد في الصور وتحسين ضوضاء البكسل عالية التردد في إحصاءات البكسل منخفضة المستوى؛ إذ يسمح ذلك للطب الشرعي بمعرفة مزيد من الخصائص ذات المعنى للصور الحقيقية والكاذبة، ممَّا يسمح له بالتمييز الجيد بين وجوه الصور الحقيقية والمزيفة وهذا ما بينته التجربة.

كما قُدِّمت طريقة هجينة للكشف الفاعل عن الصور المزيفة، فمثلاً اقترحت شبكة ثنائية الدفق لاكتشاف العبث بالوجه؛ إذ يُستخدم جدول تصنيف الوجه لتدريب النموذج على الصور الأصلية التي لُعِب بها، ثم تيار التصحيح الثلاثي لتحليل الميزات عبر مستخرج ميزة تحليل الإخفاء.

كما قُدم نهجاً هجيناً آخر يستخدم التعلم الثنائي لاكتشاف الصور المزيفة العميقة؛ إذ يستخدم أولاً شبكات لإنشاء صورة مزيفة، ثم يستخدم نموذج التعلم الزوجي ليلتقط المعلومات المميزة بين الصورة المزيفة والصورة الحقيقية.

2. نماذج كشف الفيديو:

طُبِّقت أساليب التعلم العميق بنجاح للكشف عن الصور المزيفة، لكن لا يمكن تطبيق الأساليب الحالية للصور تطبيقاً مباشراً لاكتشاف مقاطع الفيديو المزيفة؛ إذ ينقسم فديو التزييف العميق إلى فئتين رئيستين: التحليل الفردي البيولوجي وتحليل السمات المكانية والزمانية.

التحليل الفردي البيولوجي:

قدَّم باحث يدعى “يوزن” تقنية تعتمد على الشبكة الطبيعية لاكتشاف مقاطع الفيديو المزيفة للوجه؛ إذ تَعدُّ وميض العين وسيلة للكشف عن مقاطع الفيديو المزيفة، وهي ميزة مادية هامة يمكن استخدامها لتمييز مقاطع الفيديو المزيفة؛ إذ تستخدم هذه الطريقة شبكة عصبية تلافيفية (SNN) مع شبكة عصبية متكررة (RNN) لاكتشاف الإشارات الفيزيولوجية مثل حركة العين والوميض، ثم يستخدم النموذج مصنفاً ثنائياً لاكتشاف حالة العيون المغلقة والمفتوحة.

كما أثبتت بعض الدراسات أنَّ الإشارات البيولوجية الأخرى مثل نبضات القلب هي مؤشر موثوق به للفيديو الحقيقي، فقد صُمِّم نموذجاً قائماً على شبكة الخصومة التوليدية (GAN) يستطيع اكتشاف مصدر فيديو التزييف العميق عن طريق تحليل “نبضات القلب” للتزييف العميق؛ إذ يبدأ النموذج المقترح بوجود شبكات الكاشف المتعددة؛ فيكون مدخل هذا النموذج هو الفيديو الحقيقي، ثم يُخصَّص زوج من الفيديو الواقعي ومقاطع الفيديو المزيفة لطبقة تسمى التسجيل، والتي تستخرج مناطق الوجه ذات الأهمية (ROI) والإشارات البيولوجية.

PPG lls:

هي نوافذ زمانية مكانية تحتوي على وجوه عدة مستخرجة باستخدام كاشف للوجه؛ إذ إنَّ الطبقة الأخيرة مسؤولة عن تصنيف الفيديو على أنَّه مزيف أو حقيقي.

بينت الأبحاث وجود علاقة وثيقة بين مختلف الأساليب السمعية والبصرية للعينة نفسها، كما وضعوا إطار عمل تعليمي عميق لاكتشاف التزييف العميق في مواد الوسائط المتعددة، ويهدف إلى فهم تفاعل طرائق الصوت (الكلام) والفيديو (المرئي) وفحصه؛ إذ يستخدم النموذج بنية قائمة على الشبكة السيامية لاستخراج طرائق الكلام والوجه في وقت واحد للتمييز بين مقاطع الفيديو الحقيقية والمزيفة؛ فيُستخرج تمثيل المتجهات للفيديو والصوت الخاص بالعينة باستخدام شبكتي دمج الطريقتين.

تستخدم دالة الخسارة الثلاثية لحساب التشابه وتحديد الفيديو المزيف والفيديو الحقيقي، ويُختبر على مجموعتي بيانات معيارية لتحديد التزييف العميق.

3. تحليل السمات المكانية والزمانية:

تُستخدم معظم طرائق الكشف عن التزييف العميق حالياً إطارات فيديو واحدة فقط، وفي الواقع يمكن إجراء معالجة بالفيديو على ميزات متعددة على مستوى الإطار، وفي الآونة الأخيرة أظهرت أبحاث عديدة أنَّ تحليل التسلسل الزمني بين الإطارات يمكن أن يساعد بنجاح على تمييز الفيديو الحقيقي أو المزيف؛ إذ قدَّم المؤلفون نموذجاً مُدرَكاً مؤقتاً لاكتشاف مقاطع فيديو التزييف العميق.

يستخدم النموذج أولاً شبكة عصبية تلافيفية (CNN) لاستخراج ميزات الإطار، بعد ذلك تُمرر هذه الميزات إلى طبقة LSTM لتحليل التسلسل الزمني لمعالجة الوجه بين الإطارات، ثم تُستخدم وظيفة “سوفت ماكس” لتصنيف الفيديو على أنَّه حقيقي أو مزيف.

اقترح الباحثون تقنية جديدة تعتمد على الشبكة التلافيفية المتكررة على مرحلتين للتحليل: مرحلة معالجة الوجه متبوعة باكتشاف التلاعب بالوجه؛ إذ يتم في المعالجة استخلاص قص الوجه والمحاذاة باستخدام شبكة المحولات المكانية (STN)، ثم يمرّر خرج المراحل السابقة لاكتشاف التلاعب بالوجه باستخدام الشبكة التلافيفية المتكررة؛ إذ تُحلَّل المعلومات الزمنية عبر الإطارات.

في الختام:

الجدير بالذكر أنَّ التعلم العميق قد أظهر أداءً رائعاً في آليات كشف التزييف العميق، لكن في الوقت نفسه تتزايد جودة التزييف العميق، فضلاً عن كون أساليبه الحالية بحاجة إلى تحسين لتحديد مقاطع الفيديو والصور المزيفة بنجاح؛ إذ لا توجد طريقة واضحة لمعرفة عدد الطبقات المطلوبة والبنية المناسبة لاكتشاف التزييف العميق، لكن في الوقت الحالي يجري دمج تحديد طرائق اكتشاف التزييف العميق في منصات السوشيال ميديا؛ لتحسين فاعليتها في التعامل مع آثار التزييف العميق وتقليل آثارها.