💻 computer science

IncreFA: Breaking the Static Wall of Generative Model Attribution

يُعدّ IncreFA إطار عمل مبتكر يعيد تعريف عزو النماذج التوليدية كمسألة تعلم تراكمي مهيكلة من خلال الاستفادة من القيود الهيكلية الهرمية ومخزن ذاكرة كامن للتكيف باستمرار مع النماذج الناشئة، محققاً أداءً هو الأفضل في فئته ومعدلات كشف عالية للنماذج غير المرئية على مقياس IABench الجديد لعزو النماذج.

المؤلفون الأصليون: Haotian Qin, Dongliang Chang, Yueying Gao, Lei Chen, Zhanyu Ma

نُشر 2026-04-21

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC0 1.0

المؤلفون الأصليون: Haotian Qin, Dongliang Chang, Yueying Gao, Lei Chen, Zhanyu Ma

البحث الأصلي مُهدى إلى الملك العام بموجب CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

المشكلة: لعبة "ضرب الخلد" للصور المزيفة

تخيل أنك محقق تحاول تحديد أي فنان رسم لوحة معينة. في الماضي، كان عليك فقط التعرف على خمسة رسامين مشهورين، وكان بإمكانك حفظ أساليبهم بدقة تامة.

لكن اليوم، تظهر مولدات الصور بالذكاء الاصطناعي (مثل Midjourney وDALL-E وStable Diffusion) كل شهر تقريبًا. الأمر يشبه لعبة "ضرب الخلد" (Whac-A-Mole)؛ فكلما تعلمت كيفية رصد "الخلد" (الصورة المزيفة) لفنان معين، يظهر فنان جديد بأسلوب مختلف قليلاً.

الطريقة القديمة كانت معطلة:

المكتشفات الثابتة: كانت الطرق القديمة تشبه "ملصق مطلوب" يحتوي على صور لـ 5 من "الخلدان" المعروفين فقط. وبمجرد ظهور خلد جديد، يصبح الملصق عديم الفائدة.
لعنة "النسيان": إذا حاولت تعليم المحقق الخاص بك التعرف على الخلد الجديد، فغالبًا ما سينسى كيفية رصد الخلدات القديمة. وهذا ما يسمى بـ "النسيان الكارثي" (Catastrophic Forgetting).
مشكلة "المجهول": أحيانًا، لا تكون الصورة من صنع أي من الفنانين المعروفين. المكتشفات القديمة كانت تخمن عشوائيًا، وغالبًا ما كانت تخطئ.

الحل: IncreFA (المحقق الحي)

ابتكر المؤلفون IncreFA، وهو نظام جديد لا يكتفي بحفظ قائمة من الفنانين، بل يتعلم كيف يتعلم. إنه يعامل نسب الصور إلى نماذج الذك الذكاء الاصطناعي كرحلة مستمرة وليس كاختبار لمرة واحدة.

إليك كيف يعمل، باستخدام ثلاث استعارات رئيسية:

1. شجرة العائلة (القيود الهرمية)

تخيل أن جميع مولدات الصور بالذكاء الاصطناعي هي جزء من شجرة عائلة ضخمة.

الأجداد: هناك عائلات كبيرة مثل "نماذج الانتشار" (Diffusion Models - وهي الأكثر شعبية حاليًا) و"شبكات GANs" (النوع الأقدم).
الأبناء والعمومة: داخل عائلة "الانتشار"، هناك أبناء عمومة مثل Stable Diffusion 1.5 و2.0 وXL. إنهم يتشابهون جدًا لأنهم يتشاركون في "الحمض النووي".

المكتشفات القديمة حاولت معاملة كل ابن عم كغريب تمامًا. أما IncreFA فهو أذكى؛ فهو يتعلم هيكل شجرة العائلة.

هو يعرف أن جميع أبناء عمومة "الانتشار" يتشاركون في "سمات عائلية مشتركة" (Invariants).
ويتعلم رصد الاختلافات الدقيقة التي تجعل "Stable Diffusion 1.5" متميزًا عن "2.0" (Idiosyncrasies).
الاستعارة: بدلًا من حفظ كل وجه في الحشد، يتعلم القواعد الخاصة بالعائلة. إذا رأى ابن عم جديدًا لم يقابله من قبل، يمكنه التخمين: "أوه، يبدو أن هذا الشخص ينتمي إلى عائلة الانتشار"، حتى لو لم يكن يعرف اسمه بعد.

2. "بنك الذاكرة" للرسومات (بنك الذاكرة الكامن)

عادةً، لكي تتذكر الفنانين القدامى، تحتاج إلى الاحتفاظ بألبوم صور ضخم لكل صورة صنعوها، وهذا يستهلك مساحة هائلة ويبطئ العمل.

يستخدم IncreFA دفتر رسومات (Sketchbook) بدلًا من ألبوم الصور.

هو لا يحفظ الصور الكاملة عالية الدقة، بل يحفظ "رسومات تخطيطية" مضغوطة (ملخصات رياضية تسمى السمات الكامنة - Latent Features) لما تبدو عليه أساليب الفنانين.
الاستعارة: تخيل أنك لست بحاجة للاحتفاظ بصورة لكل تفاحة أكلتها لتتذكر شكل التفاح؛ يكفيك الاحتفاظ برسم تخطيطي ذهني لـ "أحمر، مستدير، ومقرمش". يحتفظ IncreFA بهذه الرسومات الذهنية، وعندما يصل فنان جديد، يقوم بخلط هذه الرسومات القديمة معًا لإنشاء أمثلة "مزيفة" لأشياء لم يرها من قبل، مما يساعده على التدرب على رصد المجهول.

3. رادار "المجهول" (الوعي بالمجموعات المفتوحة)

ماذا يحدث إذا كانت الصورة من صنع فنان جديد تمامًا ليس مدرجًا في قائمتك؟

المكتشفات القديمة: كانت تفرض تخمينًا، قائلة: "هذه بالتأكيد من صنع الفنان (أ)!" (حتى لو كانت مخطئة).
IncreFA: يمتلك رادارًا مدمجًا. هو يعرف متى لا تتناسب الصورة مع "السمات العائلية" لأي فنان معروف.
الاستعارة: إذا دخلت غرفة ورأيت مخلوقًا يبدو كمزيج من قطة وكلب ومحمصة خبز، سيقول عقلك: "مهلًا، هذا ليس قطًا ولا كلبًا". يفعل IncreFA الشيء نفسه؛ حيث يقول: "أنا لا أعرف هذا الفنان"، بدلًا من التخمين الخاطئ.

النتائج: لماذا يهم هذا؟

اختبر الباحثون IncreFA على معيار اختبار ضخم وجديد يسمى IABench، والذي يتضمن 28 نموذجًا مختلفًا تم إصدارها بين عامي 2022 و2025.

لم ينسَ: مع إضافة نماذج جديدة، استمر IncreFA في التحسن في التعرف على النماذج القديمة، على عكس الطرق الأخرى التي كانت تصاب بالارتباك.
رصد المجهول: نجح في تحديد النماذج "غير المرئية" بنسبة 98.93% من المرات.
إنه فعال: من خلال استخدام "دفتر الرسومات" (الذاكرة الكامنة) بدلًا من الصور الكاملة، يوفر مساحات هائلة من ذاكرة الكمبيوتر.

الخلاصة الكبرى

يغير IncreFA قواعد اللعبة. بدلًا من محاولة بناء جدار لمنع كل صورة مزيفة جديدة (وهو أمر مستحيل لأن الجدار سيُخترق باستمرار)، فإنه يبني نظامًا ذكيًا وقابلًا للتكيف يتطور جنبًا إلى جنب مع الذكاء الاصطناعي.

إنه يعلمنا أنه في عالم يتغير فيه الذكاء الاصطناعي كل شهر، يجب أن تكون أدواتنا للكشف عنه قادرة أيضًا على التعلم، والتكيف، والتذكر دون أن تغمرها المعلومات. الأمر لا يتعلق فقط بالتعرف على الماضي، بل بالاستعداد للمستقبل.

إليك ملخص تقني مفصل لورقة البحث بعنوان "IncreFA: كسر الجدار الساكن لنسب النماذج التوليدية".

1. بيان المشكلة

أدى التطور السريع للنماذج التوليدية للذكاء الاصطناعي (الانتشار، والخصومة، والترتيب الذاتي) إلى جعل طرق نسب الصور التقليدية عتيقة. تواجه النهج الحالية عيبين حرجين:

الافتراض الساكن: تعمل معظم الطرق تحت افتراض "المجموعة المغلقة"، حيث يتم تدريبها على مجموعة ثابتة من المولدات المعروفة. وهي تفشل عند إصدار نماذج جديدة، مما يتطلب إعادة التدريب من الصفر.
النسيان الكارثي والنقل السلبي: تعاني طرق تعلم الفئات المتزايدة التقليدية (CIL) هنا لأن النماذج التوليدية ليست فئات مستقلة؛ بل تشكل سلالات هرمية (على سبيل المثال، Stable Diffusion 1.4 $\leftarrow$ 1.5 $\leftarrow$ 2.0). ترث الإصدارات الجديدة سمات إحصائية من أسلافها، مما يسبب انزياحاً في السمات ونقلاً سلبياً عند تطبيق تقنيات إعادة التشغيل أو التنظيم القياسية.
العمى تجاه المجموعة المفتوحة: تتطلب السيناريوهات الواقعية التمييز بين المولدات المعروفة، والصور الحقيقية، والمولدات غير المرئية (غير المعروفة). تفتقر معظم مسارات النسب إلى آليات قوية للكشف عن هذه الحالات غير المرئية دون ارتفاع معدلات الإنذار الكاذب.

الهدف: تطوير إطار عمل لنسب النماذج يمكنه التعلم المستمر من النماذج التوليدية الجديدة بمرور الوقت، والاحتفاظ بالمعرفة عن النماذج السابقة، واحترام العلاقات الهرمية بين النماذج، والكشف بقوة عن المولدات غير المرئية.

2. المنهجية: إطار عمل IncreFA

يقترح المؤلفون IncreFA، وهو إطار عمل يعيد تعريف عملية النسب كمسألة تعلم تزايدي مهيكلة. يعمل الإطار على مشفر بصري مدرب مسبقاً ومجمد (مثل CLIP ViT-B/16) ويقدم آليتين أساسيتين:

أ. القيود الهرمية (الأولويات الهيكلية)

بدلاً من معاملة النماذج كفئات مستقلة، يقوم IncreFA بنمذجة الأصل المعماري للنماذج التوليدية بشكل صريح.

تفكيك الفضاء الكامن: يتم تفكيك الفضاء الكامن إلى فضاءات فرعية متعامدة لعائلات مختلفة (مثل الانتشار، GAN، وAR) وتُقسم لاحقاً إلى نماذج محددة داخل تلك العائلات.
الأولويات المتعامدة القابلة للتعلم: تتعلم الطريقة نوعين من المرتكزات (Anchors):
1. المرتكزات دقيقة التفاصيل ( $\hat{p}_{k,j}$ ): نماذج أولية ذات معيار وحدة لنماذج محددة.
2. المرتكزات خشنة المستوى ( $\hat{P}_k$ ): نماذج أولية لعائلات كاملة.
دوال الخسارة:
- خسارة التعامد ( $L_1$ ): تفرض فصلاً زاويًا بين جميع النماذج الأولية للنماذج لمنع الارتباك بين النماذج المحددة.
- خسارة التنظيم ( $L_2$ ): تضمن اشتراك النماذج داخل نفس العائلة في فضاء فرعي مشترك (لالتقاط الثوابت العائلية) مع بقائها متعامدة مع العائلات الأخرى.
- النتيجة: يؤدي هذا إلى فصل الثوابت على مستوى العائلة عن الخصائص الفريدة لكل نموذج، مما يمنع النقل السلبي أثناء التحديثات التزايدية.

ب. بنك الذاكرة الكامنة (التكيف المستمر)

للتعامل مع مشكلة "النسيان" ومحاكاة البيانات غير المرئية دون تخزين صور خام:

إعادة التشغيل الكامن المدمج: بدلاً من تخزين الصور الخام (الذي يستهلك الذاكرة ويخاطر بالخصوصية)، يقوم النظام بتخزين سمات المشفر المدمجة (Latents). يتم إعادة ترميز هذه السمات عبر رأس الإسقاط الحالي لمنع انزياح الإسقاط.
الخلط العشوائي لمحاكاة غير المرئي: لتحسين الوعي بالمجموعة المفتوحة، يقوم النظام بتوليد عينات وهمية غير مرئية عن طريق الاستيفاء الخطي لمتجهات الكامن من فئات مختلفة ( $z_u = \beta z_1 + (1-\beta)z_2$ $z_{u} = β z_{1} + (1 - β) z_{2}$ ).
- تقع هذه العينات المختلطة في مناطق منخفضة الكثافة بالقرب من حدود القرار، وتعمل كـ "سلبيات صعبة" (Hard Negatives).
معايرة المجموعة المفتوحة: يتم تدريب مصنف يعتمد على العتبة لمعاقبة الثقة المفرطة في هذه العينات الوهمية غير المرئية. أثناء الاستدلال، إذا كان أقصى احتمال Softmax أقل من عتبة معايرة $\tau$ ، يتم وضع علامة على الصورة بأنها "غير مرئية".

ج. الهدف العام

تجمع دالة الخسارة الإجمالية بين:

خسارة التصنيف القياسية ( $L_{cls}$ ).
خسائر التعامد الهرمي والتنظيم ( $L_1, L_2$ ).
خسارة معايرة المجموعة المفتوحة ( $L_u$ ).
خسارة إعادة التشغيل من بنك الذاكرة الكامنة ( $L_{replay}$ ).

3. المساهمات الرئيسية

صياغة النسب التزايدي: أول إطار عمل يعامل نسب الصور كمسألة تعلم تزايدي مهيكلة، مع معالجة الطبيعة الهرمية للنماذج التوليدية بشكل صريح.
معيار IABench: معيار جديد يغطي 28 نموذجاً توليدياً تم إصدارها بين عامي 2022 و2025 (بما في ذلك GANs وDiffusions وARs)، مع تقسيمات مرتبة زمنياً لمحاكاة تطور النماذج في العالم الحقيقي.
تصميم معماري مبتكر: دمج القيود الهرمية (للتعامل مع السلالات) وبنوك الذاكرة الكامنة (للتعامل مع كفاءة الذاكرة ومحاكاة المجموعة المفتوحة) يخلق نظاماً قوياً وفعالاً في استهلاك البيانات.
أداء متفوق (SOTA): أظهر أداءً فائقاً في كل من التعلم المستمر (الاحتفاظ بالمعرفة القديمة) وكشف المجموعة المفتوحة (تحديد النماذج غير المعروفة).

4. النتائج التجريبية

أجريت التجارب تحت بروتوكولين: EP1 (التزايدي) و EP2 (الساكن/المجموعة المغلقة).

الأداء التزايدي (EP1):
- حقق IncreFA متوسط دقة نسب بلغ 78.80% في المهمة النهائية (T7)، متفوقاً بشكل كبير على ثاني أفضل طريقة (MOS بنسبة 75.68%).
- حافظ على دقة بلغت 98.93% في اكتشاف النماذج غير المرئية (دقة غير المرئي)، بينما انخفضت الطرق الأخرى بشكل كبير أو افتقرت إلى قدرات المجموعة المفتوحة.
- عانت النماذج المرجعية مثل L2P وDualPrompt من نسيان شديد (انخفضت الدقة إلى ~35-40%) بسبب عدم قدرتها على التعامل مع التوزيعات المتداخلة.
الأداء الساكن (EP2):
- حتى بدون القيود التزايدية، حقق IncreFA متوسط دقة نسب بلغ 95.93% ودقة اكتشاف أصالة بلغت 99.97% (حقيقي مقابل مزيف)، متفوقاً على نماذج النسب المتخصصة مثل DNA-Net وRepMix.
دراسات الاستئصال (Ablation Studies):
- أدى إزالة القيود الهرمية ( $L_1, L_2$ ) إلى انخفاض كبير في الأداء، مما يؤكد ضرية نمذجة الهياكل العائلية.
- كان بنك الذاكرة الكامنة حاسماً في استقرار الأداء عبر المهام.
- أدت استراتيجية الخلط العشوائي إلى تحسين معدلات اكتشاف المجموعة المفتوحة بفعالية.

5. الأهمية والتأثير

تحول في النموذج الفكري: ينقل نسب الصور من مهمة تصنيف ساكنة لمرة واحدة إلى عملية ديناميكية متطورة تعكس دورة حياة الذكاء الاصطناعي التوليدي.
القابلية للتطبيق العملي: باستخدام بنك ذاكرة كامنة، يعد IncreFA فعالاً للغاية في استهلاك البيانات ويحافظ على الخصوصية (لا يخزن صوراً خام)، مما يجعله قابلاً للتطبيق في العالم الحقيقي حيث توجد قيود تخزين وقانونية.
الثقة والمساءلة: يوفر آلية قوية لتحديد مصدر المحتوى الناتج عن الذكاء الاصطناعي، حتى مع ظهور نماذج جديدة، وهو أمر بالغ الأهمية لمكافحة انتهاك حقوق الطبع والنشر، والتزييف العميق، والمعلومات المضللة.
الاتجاه المستقبلي: يسلط الضوء على الحاجة إلى أن تتطور أنظمة النسب هيكلياً جنباً إلى جنب مع النماذج التي تتبعها، بدلاً من مجرد الاستجابة لها.

باخت Summarization، يكسر IncreFA "الجدار الساكن" لطرق النسب الحالية من خلال الاستفادة من الهيكل الهرمي للنماذج التوليدية واستخدام استراتيجيات التعلم المستمر المصممة للسيناريوهات ذات العالم المفتوح، واضعاً معياراً جديداً للتحليل الجنائي في عصر الذكاء الاصطناعي التوليدي.