Konvoluutioneuroverkkojen hyödyntäminen audiosyväväärennösten tunnistamisessa
Nummela, Heidi (2025-12-08)
Konvoluutioneuroverkkojen hyödyntäminen audiosyväväärennösten tunnistamisessa
(08.12.2025)
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
avoin
Julkaisun pysyvä osoite on:
https://urn.fi/URN:NBN:fi-fe20251212118265
https://urn.fi/URN:NBN:fi-fe20251212118265
Tiivistelmä
Audiosyväväärennökset eli keinotekoisesti muokatut tai luodut audiotallenteet ovat uhka sekä yksilöille että yhteiskunnalle. Menetelmät audiosyväväärennösten tunnistamiseksi ovat kehittyneet tekoälymenetelmien käyttöönoton myötä tarkemmiksi ja helppokäyttöisemmiksi. Toisaalta myös syväväärennösten luomiseen käytetyt teknologiat ovat kehittyneet, joten tunnistusmenetelmiä on kehitettävä jatkuvasti paremmiksi. Audiosyväväärennökset ovat kuitenkin viimeisimmässä syväväärennösten tunnistamista käsittelevässä akateemisessa tutkimuksessa jääneet videosyväväärennösten varjoon.
Tässä tutkielmassa tutkitaan konvoluutioneuroverkkojen käyttöä audiosyväväärennösten tunnistamisessa. Konvoluutioneuroverkot ovat yleisimpiä audiosyväväärennösten tunnistukseen käytettäviä algoritmeja johtuen niiden erityisen hyvästä kyvystä käsitellä audion kuvamuotoisia esityksiä. Lisäksi tutkielma tarkastelee audiosyväväärennösten tunnistamiseen käytettyjen menetelmien tarkkuutta. Aihetta käsittelevän tutkimuksen perusteella voidaan päätellä tunnistusmenetelmien olevan kohtuullisen tarkkoja, vaikkakin tunnistuksen tarkkuus vaihtelee melko paljon riippuen käytetystä algoritmista. Tarkkuuden vaihtelu voi johtua käytetyn algoritmin lisäksi monesta syystä, kuten tunnistusmallien koulutukseen käytetystä tietoaineistosta, aineiston esiprosessoinnista tai suorituksen arviointiin käytetystä menetelmästä.
Tulevassa tutkimuksessa tulisikin tarkemmin miettiä tunnistusalgoritmien arviointiin ja koulutukseen käytettävää tietoaineistoa. Koulutusaineiston tulisi olla laaja ja arviointiin käytetty tietoaineisto täytyisi ilmoittaa selvästi. Arviointiin käytettäviä mittareita tulisi myös harkita tarkkaan, jotta arvio olisi mahdollisimman tarkka. Lisäksi tulisi tutkia mitkä audion esitysmuodot ovat tarkkuudeltaan parhaimpia audiosyväväärennösten tunnistamiseen. Tunnistusmallien suorituskykyä koulutusaineiston ulkopuolella tulisi parantaa ja mallien käyttöönottoa tulisi helpottaa, jotta niistä olisi eniten hyötyä.
Tässä tutkielmassa tutkitaan konvoluutioneuroverkkojen käyttöä audiosyväväärennösten tunnistamisessa. Konvoluutioneuroverkot ovat yleisimpiä audiosyväväärennösten tunnistukseen käytettäviä algoritmeja johtuen niiden erityisen hyvästä kyvystä käsitellä audion kuvamuotoisia esityksiä. Lisäksi tutkielma tarkastelee audiosyväväärennösten tunnistamiseen käytettyjen menetelmien tarkkuutta. Aihetta käsittelevän tutkimuksen perusteella voidaan päätellä tunnistusmenetelmien olevan kohtuullisen tarkkoja, vaikkakin tunnistuksen tarkkuus vaihtelee melko paljon riippuen käytetystä algoritmista. Tarkkuuden vaihtelu voi johtua käytetyn algoritmin lisäksi monesta syystä, kuten tunnistusmallien koulutukseen käytetystä tietoaineistosta, aineiston esiprosessoinnista tai suorituksen arviointiin käytetystä menetelmästä.
Tulevassa tutkimuksessa tulisikin tarkemmin miettiä tunnistusalgoritmien arviointiin ja koulutukseen käytettävää tietoaineistoa. Koulutusaineiston tulisi olla laaja ja arviointiin käytetty tietoaineisto täytyisi ilmoittaa selvästi. Arviointiin käytettäviä mittareita tulisi myös harkita tarkkaan, jotta arvio olisi mahdollisimman tarkka. Lisäksi tulisi tutkia mitkä audion esitysmuodot ovat tarkkuudeltaan parhaimpia audiosyväväärennösten tunnistamiseen. Tunnistusmallien suorituskykyä koulutusaineiston ulkopuolella tulisi parantaa ja mallien käyttöönottoa tulisi helpottaa, jotta niistä olisi eniten hyötyä.