Syväväärennökset ja niiden tunnistaminen
Ladataan...
suljettu
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
Lataukset2
Pysyvä osoite
Verkkojulkaisu
DOI
Tiivistelmä
Syväväärennökset tai toisin sanoen deepfaket ovat tekoälyn avulla luotua synteettistä mediaa. Syväväärennösten tarkoituksena on muokata tai manipuloida kuvia, ääntä, videoita tai muita mediatiedostoja niin, että ne näyttävät autenttisilta. Syväväärennösten luomiseen ja tunnistamiseen käytetään generatiiviseen tekoälyyn ja syväoppimiseen pohjautuvia menetelmiä. Syväväärennösten luomis- ja tunnistamisprosessiin liittyvät olennaisesti niissä käytetyt datasarjat.
Tutkielmassa tutustutaan syväväärennöksiin yleisellä tasolla ja syvennytään kolmeen suosittuun syväväärennösten luomismenetelmään. Lisäksi selvitetään, kuinka syväväärennöksiä tunnistetaan, ja miten syväoppimismalleja ja datasarjoja hyödynnetään syväväärennösten tunnistamisessa.
Konvoluutioneuroverkot, enkoodaaja-dekoodaaja-verkot ja generatiiviset kilpailevat verkot osoittautuivat tehokkaiksi menetelmiksi syväväärennösten luomisessa ja tunnistamisessa. Kaikilla luomismenetelmillä on omat vahvuutensa ja heikkoutensa, mikä korostaa menetelmien soveltuvuutta erilaisten väärennösten luomiseen. Syväväärennösmenetelmien jättämät sormenjäljet ja biologiset signaalit tarjosivat lupaavia tuloksia syväväärennösten tunnistamiseen. Lisäksi havaittiin, että valitut datasarjat vaikuttavat merkittävästi tunnistusmallien tehokkuuteen, korostaen laadukkaan koulutusaineiston tärkeyttä.
Tutkimuskirjallisuuteen tutustumalla havaittiin, että eri tunnistusmenetelmien vahvuudet ja heikkoudet korostuvat eri osa-alueilla. Tämä korostaa tarvetta yhdistää erilaisia tunnistusmenetelmiä syväväärennösten tunnistusmallien suunnittelussa. Tehokkain tunnistustehokkuus saavutetaan tarkalla koulutusdatan valinnalla ja useiden menmetelmien hyödyntämisellä.