كشف التزييف العميق: الرياضيات وراء اكتشاف الصور ومقاطع الفيديو المزيفة

أصبحت عمليات التزييف العميق – وهي وسائط تم إنشاؤها صناعياً حيث يتم استبدال شخص في صورة أو مقطع فيديو موجود بشخص آخر – تتطور بسرعة. ما بدأ كفضول تحول إلى تهديد أمني خطير، مع إمكانية التضليل والاحتيال والإضرار بالسمعة. يتطلب الكشف عن هذه التلاعبات أكثر من مجرد فحص بصري؛ بل يتطلب التعمق في المبادئ الرياضية التي تقوم عليها عملية إنشاء التزييف العميق واكتشافه. سيستكشف هذا المقال التقنيات الأساسية المستخدمة في كشف التزييف العميق، مع التركيز على الرياضيات والخوارزميات الكامنة التي تساعد في التمييز بين الواقع والتلفيق.

الخلاصة الرئيسية 1: تحليل المعالم الوجهية هو حجر الزاوية في كشف التزييف العميق، ويعتمد على تحديد التناقضات في العلاقات الهندسية المتوقعة لميزات الوجه.

الخلاصة الرئيسية 2: تستخدم تقنيات اكتشاف الحالات الشاذة تحليلاً إحصائياً لتحديد الفروق الدقيقة في إطارات الفيديو التي تشير إلى التلاعب.

الخلاصة الرئيسية 3: يحدد تحليل التردد القطع الأثرية التي أدخلتها النماذج التوليدية المستخدمة لإنشاء التزييف العميق، ويكشف عن تناقضات في مجال الإشارة.

الخلاصة الرئيسية 4: يتطلب أمن الذكاء الاصطناعي القوي اتباع نهج متعدد الأوجه يجمع بين هذه الطرق الرياضية والقياسات الحيوية السلوكية والتحليل السياقي.

فهم عملية إنشاء التزييف العميق: الشبكة التوليدية التنافسية (GAN)

يتم إنشاء معظم عمليات التزييف العميق باستخدام الشبكات التوليدية التنافسية (GANs). تتكون شبكة GAN من شبكتين عصبيتين: مولد ومميز. يقوم المولد بإنشاء صور أو مقاطع فيديو صناعية، بينما يحاول المميز التمييز بين المحتوى الحقيقي والمولد. تستمر هذه العملية التنافسية حتى ينتج المولد محتوى واقعياً بشكل مقنع. تتضمن الرياضيات الأساسية لشبكات GAN توزيعات احتمالية معقدة وخوارزميات التحسين. يحاول المولد تقليل الفرق بين توزيعه الذي تم إنشاؤه وتوزيع البيانات الحقيقي، بينما يسعى المميز إلى زيادة هذا الفرق. غالبًا ما يتم صياغة هذه العملية على أنها لعبة minimax.

تحليل المعالم الوجهية: الهندسة كدليل

تتمحور الطريقة الأساسية لـ كشف التزييف العميق حول تحليل المعالم الوجهية. تحدد هذه التقنية النقاط الرئيسية على الوجه – زوايا العينين، طرف الأنف، حواف الفم – وتتتبع حركتها بمرور الوقت. من المتوقع أن تلتزم هذه المعالم بقيود هندسية تمليها التشريح البشري وتعبيرات الوجه الطبيعية. غالبًا ما تُظهر عمليات التزييف العميق تناقضات دقيقة.

رياضيًا، يتضمن ذلك:

• اكتشاف المعالم: يتم استخدام خوارزميات مثل نماذج الشكل النشطة (ASMs) ونماذج المظهر النشطة (AAMs) لتحديد المعالم. تستخدم هذه النماذج تمثيلات إحصائية لأشكال الوجه والقوام.
• القيود الهندسية: يتم حساب المسافات والزوايا بين المعالم. يتم وضع علامة على الانحرافات عن النطاقات المتوقعة. على سبيل المثال، يجب أن يقع المسافة بين العينين ضمن توزيع إحصائي معين.
• الاتساق الزمني: تتبع حركة المعالم عبر الإطارات. يمكن أن يشير الارتعاش أو التحولات غير الطبيعية إلى التلاعب. غالبًا ما تُستخدم مرشحات Kalman لتنعيم مسارات المعالم واكتشاف الحالات الشاذة.

على سبيل المثال، وجدت دراسة أجراها باحثون في جامعة كاليفورنيا بيركلي أن عمليات التزييف العميق غالبًا ما تُظهر تناقضات دقيقة في معدل الرمش وحركة الحدقة، والتي يمكن اكتشافها من خلال تتبع المعالم الدقيق.

اكتشاف الحالات الشاذة: مخالفات إحصائية

تستفيد تقنيات اكتشاف الحالات الشاذة من حقيقة أن عمليات التزييف العميق، على الرغم من واقعيتها، غالبًا ما تحتوي على مخالفات إحصائية دقيقة لا توجد في مقاطع الفيديو الأصلية. وهذا يعتمد بشكل كبير على تحليل الصور. تنشأ هذه الحالات الشاذة من أوجه القصور في النماذج التوليدية المستخدمة لإنشاء التزييفات. تشمل الطرق:

• تحليل المكونات الرئيسية (PCA): يقلل من أبعاد إطارات الفيديو، ويحدد الأنماط الأكثر أهمية. تظهر الحالات الشاذة كقيم متطرفة في الفضاء المخفض.
• الترميز التلقائي: شبكات عصبية مدربة لإعادة بناء بيانات الإدخال. غالبًا ما يتم إعادة بناء عمليات التزييف العميق بشكل سيئ لأنها تختلف بطبيعتها عن البيانات الحقيقية، مما يؤدي إلى خطأ إعادة بناء مرتفع.
• تحليل التردد: غالبًا ما تُظهر عمليات التزييف العميق قطعًا أثرية في مجال التردد بسبب عمليات زيادة العينات والخلط المستخدمة أثناء الإنشاء. يمكن لتحويلات فورييه السريعة (FFTs) الكشف عن هذه التناقضات.

على وجه التحديد، غالبًا ما تُظهر الصور التي تم إنشاؤها بواسطة GAN نقصًا في التفاصيل عالية التردد في مناطق معينة، وهي علامة واضحة يمكن اكتشافها من خلال التحليل الطيفي.

دور القياسات الحيوية وأمن الذكاء الاصطناعي

في حين أن التقنيات الرياضية مثل تحليل المعالم واكتشاف الحالات الشاذة أمر بالغ الأهمية، فإن استراتيجية أمن الذكاء الاصطناعي الشاملة تتضمن أيضًا القياسات الحيوية والمعلومات السياقية. على سبيل المثال:

• اكتشاف الحيوية: التأكد من أن الموضوع هو شخص حقيقي، وليس صورة أو مقطع فيديو ثابتًا.
• القياسات الحيوية السلوكية: تحليل الأنماط الدقيقة في الكلام أو المشي أو الكتابة.
• التحليل السياقي: فحص مصدر الفيديو وأصله واتساقه مع المعلومات المعروفة الأخرى.

كيف يساعد Didit

تتضمن منصة هوية Didit إمكانات متقدمة للكشف عن التزييف العميق. نحن نستخدم نهجًا متعدد الطبقات يجمع بين تحليل المعالم الوجهية واكتشاف الحيوية والقياسات الحيوية السلوكية لتوفير حماية قوية ضد احتيال الهوية الاصطناعية. تم تصميم اكتشاف الحيوية السلبي الخاص بنا لتحديد الحالات الشاذة الدقيقة التي تشير إلى التلاعب، مما يضمن أن المستخدمين الحقيقيين فقط هم من يتم التحقق من هويتهم. يتيح هيكل Didit المعياري للشركات تخصيص تدفقات التحقق الخاصة بها بناءً على تحمل المخاطر والمتطلبات التنظيمية.

هل أنت مستعد للبدء؟

احمِ منصتك من التهديد المتزايد لعمليات التزييف العميق. اطلب عرضًا توضيحيًا اليوم لترى كيف يمكن لـ Didit مساعدتك في تأمين سير عمل الهوية الرقمية الخاصة بك. استكشف خطط التسعير الخاصة بنا وتعرف على المزيد حول قدراتنا المتقدمة في كشف التزييف العميق.