💻 computer science

Deepfake Detection in Social Media: A Temporal Artifact Analysis Using 3D Convolutional Neural Networks

تقترح هذه الورقة البحثية كاشفاً يعتمد على الشبكات العصبية التلافيفية ثلاثية الأبعاد يستفيد من الآثار الزمنية ومنظم اتساق لتعريف التزييف العميق عالي الجودة على وسائل التواصل الاجتماعي بفعالية، محققاً دقة بلغت 92.8% على مجموعة بيانات DeepfakeTIMIT ومظهراً قدرة فائقة على التعميم عبر مجموعات البيانات مقارنة بالطرق التي تعتمد على الجوانب المكانية فقط.

المؤلفون الأصليون: Mohammadreza Rashidi, Raja Hashim Ali, Sami Ur Rahman

نُشر 2026-05-19

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Mohammadreza Rashidi, Raja Hashim Ali, Sami Ur Rahman

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ 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: "وادي الغرابة" في الزمن

تخيل أنك تنظر إلى صورة لصديق لك. إذا كان يرتدي قبعة غريبة، فقد تلاحظها فوراً. ولكن إذا شاهدت فيديو له، فقد لا تلاحظ خللاً بسيطاً إلا عندما يرمش أو يبتسم.

الـ "ديب فيك" (Deepfakes) هي فيديوهات مزيفة تم إنشاؤها بواسطة الذكاء الاصطناعي وتبدو واقعية للغاية. لفترة طويلة، حاول العلماء كشف هذه التزييفات من خلال البحث في الإطارات المنفردة (مثل النظر إلى صور فردية من الفيديو). بحثوا عن أخطاء "مكانية" (Spatial)، مثل الأنسجة الغريبة على الجلد أو الحواف الضبابية.

ومع ذلك، تجادل الورقة البحثية بأن هذا يشبه محاولة اكتشاف ممثل سيء في مسرحية من خلال النظر فقط إلى صورة ثابتة لوجهه. فكلما أصبح الذكاء الاصطناوي أفضل في صنع صور عالية الجودة، اختفت تلك الأخطاء الساكنة. لكن الذكاء الاصطناعي لا يزال يعاني مع الزمن. فهو لا يستطيع محاكاة كيفية تحرك البشر، أو رمش أعينهم، أو تغير تعبيرات وجوههم من ثانية إلى أخرى بشكل مثالي.

الحل: مشاهدة الفيلم، وليس الصور الثابتة

قام المؤلفون ببناء كاشف جديد لا ينظر فقط إلى إطار واحد؛ بل يشاهد مقطعاً (تسلسل من 16 إطاراً) دفعة واحدة.

فكر في الأمر كالتالي:

الطريقة القديمة (2D CNN): حارس أمن ينظر إلى صورة واحدة لبطاقة هوية شخص ما. إذا بدت الصورة مثالية، فإنه يسمح له بالدخول.
الطريقة الجديدة (3D CNN): حارس أمن يشاهد فيديو مدته 5 ثوانٍ للشخص وهو يمشي نحو المكتب. هو لا يفحص الوجه فحسب؛ بل يتحقق مما إذا كان رأس الشخص يتأرجح بشكل طبيعي، وما إذا كانت عيناه ترمشان بالإيقاع الصحيح، وما إذا كان فمه يتحرك بالتزامن مع فكه.

كيف بنوا النظام: معلم "أفلام الحركة"

لم يقم الباحثون ببناء ذكائهم الاصطناعي من الصفر. بل استخدموا ذكاءً اصطناعياً مدرباً مسبقاً يسمى R3D-18.

التشبيه: تخيل أنك تريد تعليم روبوت كيفية اكتشاف راقص مزيف. بدلاً من تعليمه حركات الرقص من الصفر، تعطيه مكتبة من الفيديوهات لأشخاص حقيقيين يرقصون، يركضون، ويقفزون (هذه هي مجموعة بيانات Kinetics-400). الروبوت يعرف بالفعل كيف تبدو "الحركة البشرية الطبيعية".
الخدعة: بعد ذلك، عرضوا على هذا الروبوت آلاف الفيديوهات المزيفة (Deepfake). ولأن الروبوت يعرف بالفعل كيف يجب أن يتحرك البشر، استطاع فوراً اكتشاف متى تتحرك الفيديوهات المزيفة بشكل غير طبيعي. الأمر يشبه مدرب رقص يكتشف طالباً يحفظ الخطوات فقط بدلاً من الشعور بالإيقاع.

ما الذي يكتشفه الذكاء الاصطناعي فعلياً

وجدت الورقة أن الذكاء الاصطناعي بارع جداً في رصد "الخلل الزمني" المحدد الذي قد يغفل عنه البشر:

الرمش: البشر الحقيقيون يرمشون بإيقاع محدد. أما الـ "ديب فيك" فغالباً ما ترمش ببطء شديد، أو بسرعة كبيرة، أو في وقت غير مناسب بالنسبة للشخص المتحدث.
التعبيرات الدقيقة (Micro-Expression): عندما يبتسم شخص حقيقي أو يتحدث، تتحرك العضلات الصغيرة حول العينين والفم بطريقة منسقة. في الـ "ديب فيك"، غالباً ما تبدو هذه الحركات "متلعثمة" أو غير متصلة.
هز الرأس: إذا أدار شخص رأسه، يجب أن تتغير الإضاءة والظلال بسلاسة. في الـ "ديب فيك"، غالباً ما تكون حركات الرأس "مهتزة" ولا تتوافق مع فيزياء الغرفة.

النتائج: أفضل في التعامل مع المهام الصعبة

اختبر الفريق نظامهم على مجموعتين مختلفتين من الفيديوهات:

مجموعة التدريب: اختبروه على فيديوهات رآها من قبل. حقق دقة بلغت 94.2%.
اختبار "الجودة العالية": اختبروه على فيديوهات مزيفة حادة جداً وعالية الدقة (128x128 بكسل). انخفض أداء الطرق القديمة هنا، لكن طريقتهم الجديدة ظلت قوية بنسبة 92.8%.
اختبار "العالم الجديد": اختبروه على مجموعة مختلفة تماماً من الفيديوهات (FaceForensics++) لم يسبق له رؤيتها. حتى بدون تدريب إضافي، حقق دقة 76.4%. وهذا أمر ضخم لأنه يعني أن الذكاء الاصطناعي تعلم قاعدة عامة حول "الزمن المزيف" بدلاً من مجرد حفظ فيديوهات مزيفة محددة.

دراسة "الاستئصال" (تفكيك الآلة)

لإثبات نجاح طريقتهم، قاموا بإزالة أجزاء من النظام ليروا ماذا سيحدث:

بدون معلم "أفلام الحركة": إذا لم يستخدموا الأوزان المدربة مسبقاً، انخفضت الدقة بنسبة 7.2%. وهذا يثبت أن معرفة كيف يتحرك البشر الحقيقيون هي السر وراء نجاحهم.
بدون تتبع الوجه: إذا قاموا بتغذية النظام بالفيديو كاملاً (بما في ذلك الخلفية) بدلاً من الوجه فقط، انخفضت الدقة بنسبة 3.5%. الذكاء الاصطناعي يحتاج للتركيز على الوجه، وليس الخلفية.
طول المقطع: وجدوا أن النظر إلى 16 إطاراً هو النقطة المثالية. النظر إلى عدد أقل من الإطارات جعلهم يفقدون السياق، بينما النظر إلى عدد أكبر من الإطارات أدى فقط إلى إبطاء العملية دون فائدة تذكر.

الخلاصة

تخلص الورقة إلى أن الزمن هو نقطة الضعف في الـ "ديب فيك". وبينما يتحسن الذكاء الاصطناعي في صنع صور ثابتة مثالية، فإنه لا يزال يكافح لصنع حركة مثالية. ومن خلال استخدام شبكة عصبية تلافيفية ثلاثية الأبعاد (دماغ يشاهد مقاطع الفيديو بدلاً من الصور)، نجح المؤلفون في إنشاء كاشف يصعب خداعه، خاصة في الفيديوهات عالية الجودة التي كانت تخدع الأنظمة الأخرى سابقاً.

ما لا تدعيه الورقة البحثية:

لا تدعي أن هذا يعمل على الصور الفردية (فهي تحتاج إلى فيديو).
لا تدعي أنه يعمل على الصوت (فهي تنظر إلى الفيديو فقط).
لا تدعي أنه يعمل على جميع أنواع الوسائط المزيفة (فهي تركز على تبديل الوجوه والتلاعب بها).
لا تدعي أن هذا جاهز للاستخدام في الوقت الفعلي على كل الهواتف (فهي تتطلب أجهزة كمبيوتر قوية).

ملخص تقني: كشف التزييف العميق في وسائل التواصل الاجتماعي عبر تحليل الآثار الزمنية

بيان المشكلة
تجاوز انتشار مقاطع الفيديو الاصطناعية للوجوه على وسائل التواصل الاجتماعي قدرات الإشراف الخاصة بالمنصات، مما أدى إلى تفاقم مخاطر التضليل والهجمات القائمة على الهوية. وبينما ركزت أبحاث الكشف الحالية بشكل مكثف على البعد المكاني (تحليل الإطارات الفردية)، تعاني أدوات الكشف على مستوى الإطار من تدهور حاد في الأداء مع تحسن جودة المولدات. وتحديداً، تؤدي مخرجات شبكات الخصومة التوليدية (GAN) عالية الجودة بدقة 128×128 إلى خفض دقة الكشف القائم على التحليل المكاني فقط بنحو خمس نقاط مئوية. علاوة على ذلك، غالباً ما يؤدي إعادة ترميز وسائل التواصل الاجتماعي إلى التخلص من التفاصيل المكانية الدقيقة، ومع ذلك، فإن التناقضات الزمنية — مثل الرمش غير المنتظم، أو التلعثم في التعبيرات الدقيقة، أو عدم محاذاة انتقالات وضعية الرأس — غالباً ما تنجو من عملية الضغط. وكثيراً ما تفرط النماذج الحالية في ملاءمة الأنسجة المكانية الخاصة بمولد معين، مما يؤدي إلى ضعف التعميم عبر مجموعات البيانات المختلفة.

المنهجية
يقترح المؤلفون إطار عمل لكشف التزييف العميق يعتمد على الشبكات العصبية التلافيفية ثلاثية الأبعاد (3D CNNs) لتحليل الآثار الزمنية عبر تسلسلات الفيديو بدلاً من الإطارات الثابتة.

البنية: يستخدم النموذج الأساسي بنية R3D-18، المدربة مسبقاً على مجموعة بيانات Kinetics-400 للتعرف على الأفعال. تستفيد استراتيجية التعلم بنقل المعرفة هذه من المعارف المسبقة للنموذج فيما يتعلق بالحركة البشرية الطبيعية لتحديد الأنماط غير الطبيعية في الفيديوهات المتلاعب بها بشكل أفضل.
معالجة المدخلات: يعالج النظام مقاطع فيديو مكونة من 16 إطاراً مستخرجة من الفيديوهات. تتضمن المعالجة المسبقة كشف الوجوه وتتبعها باستخدام "Haar cascades" لضمان المحاذاة المتسقة، يليه تغيير الحجم إلى دقة 128×128 والتقييس.
هدف التدريب: يتم تدريب النموذج باستخدام دالة فقد مركبة:
$L = L_{BCE} + \lambda L_{tc}$
حيث تمثل $L_{BCE}$ دالة الفقد القياسية للتقاطع الثنائي (binary cross-entropy)، وتمثل $L_{tc}$ منظم الاتساق الزمني (temporal-consistency regularizer). يقوم هذا المنظم بمعاقبة الاختلافات الكبيرة في خرائط الميزات الوسيطة ( $\phi_t$ ) بين الإطارات المتتالية، مما يشجع النموذج على تعلم ميزات متسقة زمنياً. تم ضبط وزن التنظيم $\lambda$ عند 0.1.
مجموعات البيانات: يتم التدريب والتقييم الأساسي على مجموعة بيانات DeepfakeTIMIT (620 فيديو، 32 شخصاً، تبديل وجوه قائم على GAN). يتم اختبار التعميم عبر مجموعات البيانات على مجموعة فرعية من FaceForensics++ (تلاعبات DeepFakes و Face2Face) دون ضبط دقيق (zero-shot) ومع حد أدنى من الضبط الدقيق.
الإعداد التجريبي: أُجريت التجارب باستخدام PyTorch على وحدات معالجة رسومية من نوع NVIDIA RTX 3090. تضمن التدريب استخدام التعلم المنهجي (curriculum learning)، وأخذ العينات المتوازن، وتعزيز البيانات المكثف (القص، القلب، والاضطراب الزمني).

المساهمات الرئيسية

كاشف زمني بدالة فقد مركبة: يقدم المؤلفون كاشف تزييف عميق زمني يعتمد على R3D-18 يجمع بين التقاطع الثنائي وفقد الاتساق الميزاتي لكل إطار. يحسن هذا النهج الدقة في حالات التزييف العميق عالية الجودة بنسبة 4.5 نقطة مئوية مقارنة بالنموذج المرجعي XceptionNet القائم على الإطات.
تحديد الآثار المميزة: تحدد الدراسة كمياً تسلسلات رمش العين وانتقالات التعبيرات الدقيقة باعتبارها أكثر الآثار الزمنية تمييزاً. هذه الميزات يصعب على المولدات إعادة إنتاجها بتوقيت وتزامن طبيعيين.
التعميم عبر مجموعات البيانات: توضح الورقة أن الإشارات الزمنية تتعمم بشكل أوسع من الإشارات المكانية. يحقق النموذج دقة بنسبة 76.4% (zero-shot) على FaceForensics++ ودقة بنسبة 92.8% في التقييم داخل المجموعة ذات الجودة العالية (128×128).
تحليل الاستئصال (Ablation Analysis): يقدم المؤلفون تحليلاً لمكاسب الأداء، حيث يظهر أن التعلم بنقل المعرفة يساهم بـ +7.2 نقطة مئوية، وتتبع الوجه يضيف +3.5 نقطة، بينما يوفر حد الاتساق الزمني مكاسب إضافية خصيصاً في حالات التزييف عالية الجودة.

النتائج

الأداء داخل مجموعة البيانات: في مجموعة اختبار DeepfakeTIMIT، يحقق نموذج 3D CNN المقترح دقة 94.2%، متفوقاً بشكل كبير على النموذج المرجعي XceptionNet (89.7%)، وCNN+LSTM (91.3%)، وطرق التدفق البصري (87.6%).
المتانة في الجودة العالية: بالنسبة للتزييف العميق عالي الجودة (128×128)، يحافظ الأسلوب المقترح على دقة 92.8%، بينما تنخفض دقة النموذج المرجعي XceptionNet إلى 84.5%. تراجع الأداء للأسلوب المقترح هو 1.4 نقطة مئوية فقط مقارنة بـ 5.2 نقطة للأسلوب المكاني المرجعي.
النقل عبر مجموعات البيانات: بدون ضبط دقيق، يصل النموذج إلى دقة 76.4% على FaceForensics++، متفوقاً على النماذج المرجعية التي تعمل إطاراً بإطار والتي تصل ذروتها عند 70.8%.
نتائج الاستئصال:
- التعلم بنقل المعرفة من Kinetics-400 أمر بالغ الأهمية، حيث وفر دفعة قدرها +7.2 نقطة.
- قص الوجه/التتبع يحسن الأداء بمقدار +3.5 نقطة مقارنة بمعالجة الإطار الكامل.
- وُجد أن طول التسلسل البالغ 16 إطاراً هو الأمثل؛ حيث قللت التسلسلات الأقصر الدقة بمقدار 2.7 نقطة، بينما لم تقدم التسلسلات الأطول أي مكاسب كبيرة ولكنها زادت من التكلفة الحسابية.

الأهمية والادعاءات
تدعي الورقة أن الآثار الزمنية تتعمم بشكل أوسع من الآثار المكانية، مما يوفر إشارة كشف تصمد أمام إعادة ترميز وسائل التواصل الاجتماعي والتوليد عالي الجودة. ومن خلال تحويل التركة من تحليل الإطارات الثابتة إلى النمذجة المكانية-الزمانية، يعالج الأسلوب المقترح فجوة التعميم التي تعاني منها أدوات الكشف الحالية. ويؤكد المؤلفون أن نهجهم يقدم حلاً أكثر كفاءة من الطرق الحديثة القائمة على المحولات (Transformers)، حيث يحقق دقة مماثلة أو متفوقة مع تكلفة حسابية أقل، مما يجعله مناسباً للإشراف على المحتوى في الوقت الفعلي. يرسخ هذا العمل حقيقة أن تحليل عدم الاتساق الزمني يعد مكوناً حاسماً لأنظمة الكشف عن التزييف العميق من الجيل القادم، لا سيما للكشف عن التلاعبات المتطورة التي تتهرب من أدوات الكشف المكانية فقط.