تقدم هذه الورقة البحثية طريقة RPA (نسب الرقعة الخام)، وهي طريقة "الصندوق الأسود" خفيفة الوزن والمتينة التي تتفوق على الأساليب المعقدة الموجودة في تحديد نماذج الصور التوليدية، مع تقديم قدرات متعددة الاستخدامات للتجميع غير الخاضع للإشراف والتكيف بلقطات قليلة دون الحاجة إلى إعادة التدريب.
المؤلفون الأصليون:Asaf Livne, Amir Jevnisek, Shai Avidan
في السنوات القليية الماضية، أحدث نوع جديد من الذكاء الاصطناعي تحولاً في كيفية إنتاجنا للصور. هذه الأنظمة، المعروفة بالنماذج التوليدية، يمكنها تحويل الأوصاف النصية البسيطة إلى صور مذهلة وواقعية للغاية. لقد أصبحت شائعة جداً لدرجة أنها باتت الآن تشكل ركيزة أساسية في الكثير من عمليات الإنتاج الإعلامي والعمل الإبداعي الحديث. ومع ذلك، فقد أدى هذا الانتشار السريع إلى خلق مشكلة كبيرة: فعندما ترى صورة، غالباً ما يكون من المستحيل معرفة أي آلة محددة قامت بإنشائها. وهذا الغموض يكتسب أهمية لأسباب تتراوح بين حماية الملكية الفكرية للفنانين إلى تتبع أصل المحتوى المضلل. ولا يقتصر التحدي على مجرد اكتشاف أن الصورة مزيفة، بل في تحديد المحرك الذي أنتجها بالضبط من بين مئات المحركات المختلفة للذكال الاصطناعي. وتعد هذه المهمة، التي تسمى "نسب النموذج" (model attribution)، صعبة لأن هذه الآلات تتطور باستمرار، وغالباً ما تبدو مخرجاتها متطابقة تقريباً للعين البشرية. علاوة على ذلك، فإن العدد الهائل من النماذج المتاحة، بما في ذلك الآلاف من النسخ المخصصة، يجعل مهمة تتبعها تبدو مرهقة.
لقد وجد باحثون في جامعة تل أبيب حلاً بسيطاً بشكل مفاجئ لهذه المشكلة المعقدة. فبدلاً من بناء نظام ضخم ومعقد ليضاهي تعقيد المولدات، طوروا أداة خفيفة تعمل كصنف أساسي. يعمل نهجهم، المسمى RPA، في ظل نظام "الصندوق الأسود" الأكثر صرامة، مما يعني أنه ينظر فقط إلى الصورة النهائية دون الحاجة إلى الوصول إلى الكود الداخلي، أو الأوزان، أو الإعدادات السرية للذكاء الاصطناعي الذي صنعها. يقوم الأسلوب بتقسيم الصورة إلى مربعات صغيرة وتحليل أنماط الألوان الخام في كل منها. وعلى الرغم من التشابه البصري بين الصور الناتجة عن نماذج مختلفة، اكتشف الباحثون أن كل مولد يترك خلفه بصمة فريدة ومنخفضة المستوى في نسيج البكسلات. ومن خلال تدريب شبكة عصبية صغيرة للتعرف على هذه الأنماط الدقيقة، يمكن للنظام تحديد مصدر الصورة بدقة مذهلة. وفي مجموعة اختبار مكونة من خمسة وعشرين نموذجاً مختلفاً، حققت الأداة دقة بلغت 98.0 بالمئة، وفي مجموعة أكثر فوضوية من العالم الحقيقي مكونة من سبعة وعشرين نموذجاً، لا تزال تصل إلى 92.9 بالمئة.
وما يجعل هذا الاكتشاف مثيراً للاهتمام بشكل خاص هو كيفية تعامل الأداة مع الواقع الفوضوي للإنترنت. فالصور الموجودة في "البرية" نادراً ما تكون نقية؛ فهي غالباً ما تتعرض للضغط أو التمويه أو تغيير الحجم أثناء انتقالها عبر وسائل التواصل الاجتماعي ومواقع الأخبار. وقد فشلت العديد من الأساليب السابقة عند مواجهة هذه التغييرات الشائعة. ومع ذلك، يظل النظام الجديد قوياً؛ فعندما اختبره الباحثون ضد صور تعرضت لضغط شديد أو تغيير في الحجم، انخفضت الدقة بشكل طفيف فقط، مما يثبت أن البصمة التي يكتشفها هي سمة هيكلية أساسية وليست مجرد أثر عابر. كما أن النظام يتميز بكفاءة عالية؛ فخلافاً للأساليات الأخرى التي تتطلب مقارنة الصورة مع كل نموذج مرشح محتمل واحداً تلو الآخر - وهي عملية تتباطأ مع نمو عدد النماذج - تقوم هذه الأداة بتقييم الصورة في تمريرة واحدة. والوقت المستغرق لتحديد المصدر لا يزداد حتى لو توسعت قاعدة بيانات النماذج المعروفة من بضع عشرات إلى بضعة آلاف.
وإلى جانب مجرد تحديد النماذج المعروفة، وجد الباحثون أن الأداة تمتلك ذكاءً أعمق وأكثر تنوعاً. فعندما تواجه صورة من مولد لم تره من قبل، يمكنها ببراعة تصنيفها كـ "غير معروفة"، بدلاً من فرض تخمين خاطئ. وهذه القدرة على التعرف على غير المألوف تعد أمراً بالغ الأهمية في مجال تظهر فيه نماذج جديدة يومياً. علاوة على ذلك، يمكن للنظام التكيف مع هذه النماذج الجديدة بشكل فوري تقريباً. فبدلاً من طلب عملية إعادة تدريب طويلة، يمكن للباحثين ببساً إضافة نموذج جديد عن طريق ملاءمة طبقة صغيرة وبسيطة للشبكة الموجودة، وهي مهمة لا تستغرق سوى بضع دقائق. ويشير هذا المرونة إلى أن الأداة قد تعلمت خريطة عامة لكيفية عمل هذه الآلات، بدلاً من مجرد حفظ قائمة من الأمثلة المحددة.
كما استخدم الباحثون هذا الفهم المتعلم لاستكشاف العلاقات بين النماذج نفسها. فمن خلال تحليل الميزات الداخلية التي تستخدمها الأداة لاتخاذ قراراتها، تمكنوا من تجميع المولدات المختلفة في عائلات بناءً على تشابهاتها الهيكلية، حتى دون إخبارهم بالنماذج المرتبطة ببعضها. وقد حدد النظام بشكل صحيح أن نماذج معينة تشترك في سلالة أو تقنية أساسية واحدة، حيث جمعها معاً بطريقة تطابق الحقائق المعروفة عن تطويرها. وتمتد هذه القدرة إلى الصور من المولدات غير المرئية أيضاً، مما يسمح للأداة بتجميعها حسب مصدرها الحقيقي دون أي تدريب مسبق. وتثبت الدراسة أن نهجاً مباشً وبسيطاً يمكن أن يتفوق على الآلات الضخمة والمعقدة في مهمة تتبع الأصول الرقمية. وهي تشير إلى أن المفتاح لفهم هذه الأنظمة المعقدة لا يكمن في بناء كواشف أكثر تعقيداً، بل في التعرف على التواقيع الدقيقة والمستمرة التي تتركها كل آلة في الصور التي تبتكرها.
ملخص تقني: إسناد النماذج الصندوق الأسود القابل للتوسع للصور
بيان المشكلة أدى الانتشار السريع للنماذج التوليدية إلى خلق حاجة ماسة لـ إسناد النماذج (model attribution): وهي القدرة على تحديد النموذج المحدد الذي أنتج صورة معينة باستخدام الصورة نفسها فقط. تواجه طرق الإسناد الحالية قيودًا عملية كبيرة؛ حيث يعتمد الكثير منها على الوصول إلى الصندوق الأبيض (white-box access) لمكونات النموذج الداخلية (الأوزان، المشفرات التلقائية، المطالبات/البرومبت)، وهي أمور نادرًا ما تتوفر في السيناريوهات الواقعية. كما تعاني طرق أخرى من التمييز خشن الحبيبات (coarse-grained discrimination)، حيث تفشل في التمييز بين النماذج التي تتشارك في عائلات معمارية أو مشفرات تلقائية واحدة. علاوة على ذلك، غالبًا ما تكون النهج الحالية هشة تحت تأثير تدهور الصور الشائع (ضغط JPEG، التغبيش، تغيير الحجم)، وتفرض تكاليف حوسبة عالية لا تتوسع بشكل جيد مع زيادة عدد النماذج المرشحة (على سبيل المثال، الطرق القائمة على إعادة البناء تتوسع خطيًا مع عدد المرشحين).
المنهجية: الإسناد عبر الرقعة الخام (RPA) يقترح المؤلفون RPA (Raw-Patch Attribution)، وهو نهج خفيف الوزن وصندوق أسود بحت، يقوم بإسناد الصور دون الوصول إلى أوزان النموذج أو المطالبات أو البذور (seeds). تعتمد الطريقة على ملاحظة أن مسارات التوليد تدمج بصمات طيفية (spectral signatures) مستمرة وعالية التمايز (آثار منخفضة المستوى) في النطاق الترددي، والتي تكون متميزة لكل مولد.
يتكون مسار RPA من ثلاث خطوات:
تقسيم الرقع (Patch Division): يتم تقسيم الصورة المدخلة إلى رقع متداخلة بحجم 256×256. يضمن هذا ثبات الدقة، مما يسمح للنموذج بمعالجة صور من 2562 إلى 40962 بكسل دون الحاجة لإعادة التدريب.
التصنيف لكل رقعة (Per-Patch Classification): تقوم شبكة عصبية تلافيفية (CNN) مدمجة تحتوي على حوالي 6 ملايين معلمة (parameter) بتصنيف كل رقعة مباشرة من بكسلات RGB الخام الخاصة بها. تخرج الشبكة قيم الـ logits للفئات لجميع المولدات المرشحة في تمريرة أمامية واحدة.
تجميع الرقع المتعددة (Multi-Patch Aggregation): التنبؤ النهائي على مستوى الصورة هو متوسط مرجح لاحتمالات الفئة لكل رقعة، حيث تأخذ الأوزان في الاعتبار تداخل الحواف لضمان مساهمة كل بكسل بشكل متساوٍ.
المساهمات الرئيسية
إسناد دقيق للصندوق الأسود: يحقق RPA دقة هي الأفضل في حالتها (state-of-the-art) في أشد ظروف الصندوق الأسود صرامة، حيث يصل إلى 98.0% في اختبار DRAGON المكون من 25 فئة، و 92.9% في اختبار OpenFake المكون من 27 فئة. ويتفوق على الطرق السابقة التي تتطلب غالبًا مطالبات نصية أو وصولًا إلى الصندوق الأبيض.
القابلية للتوسع والكفاءة: تكلفة الاستدلال مستقلة عن عدد النماذج المرشحة (O(1)). بخلاف طرق إعادة البناء التي يجب أن تقيم الصورة مقابل كل مرشح بالتتابع (O(C))، يقوم RPA بمعالجة جميع المرشحين في وقت واحد. النموذج مدمج، ويتدرب بسرعة، ويستنتج في أجزاء من الثانية.
المتانة (Robustness): يحافظ متغير RPA المعزز بالفساد (corruption-augmented) على دقة عالية تحت ضغط JPEG، والتغبيش الغاوسي، وتغيير الحجم، والقص، وهي ظروف تهزم الطرق السابقة عادةً.
الإسناد مفتوح المجموعة (Open-Set Attribution): يمكن للشبكة تحديد الصور من المولدات غير المرئية كـ "غير معروفة" بشكل موثوق باستخدام درجات الثقة الخاصة بالمصنف فقط، دون الحاجة إلى مجموعات معايرة أو بيانات خارجية إضافية.
التكيف بلقطات قليلة (Few-Shot Adaptation): يمكن قبول مولدات جديدة عن طريق تجميد الهيكل الأساسي المتعلم وملاءمة رأس خطي (linear head) فقط. يستغرق هذا التكيف ثوانٍ أو دقائق ويتطلب حدًا أدنى من البيانات، متجنبًا إعادة التدريب الكاملة.
اكتشاف النماذج (Model Discovery): تقوم سمات الطبقة قبل الأخيرة بترميز العلاقات بين المولدات بشكل طبيعي. نجح التجميع الهرمي غير الخاضع للإشراف لهذه السمات في استعادة سلالة (lineage) النماذج (التجميع حسب المشفرات التلقائية المشتركة أو الأوزان الأساسية) وتجميع الصور من المولدات غير المرئية حسب مصدرها الحقيقي.
النتائج التجريبية
أداء المجموعة المغلقة: في مجموعة بيانات DRAGON (25 نموذجًا)، يحقق RPA دقة بنسبة 98.0%، متفوقًا بشكل كبير على DE-FAKE (62.0%) و OCC-CLIP (8.6%). وفي OpenFake (27 نموذجًا)، يصل إلى 92.9%.
المقارنة مع الصندوق الأبيض: حتى عند مقارنته بنماذج الصندوق الأبيض في اختبار AEDR، يحقق RPA (الذي يعمل كصندوق أسود بحت) دقة زوجية متوسطة تبلغ 97.7%، متجاوزًا الطرق التي تستخدم أوزان النموذج (مثل LatentTracer بنسبة 70.3%، و AEDR بنسبة 95.1%).
سرعة الاستدلال: يستنتج RPA في 8.5 مللي ثانية لكل صورة، بينما تتراوح سرعة نماذج الصندوق الأبيض مثل AEDR من 0.53 ثانية إلى 3.71 ثانية مع نمو مجموعة المرشحين.
المتانة: تحت ضغط JPEG القوي (Q=60) وتغيير الحجم، يحتفظ النموذج بدقة عالية (على سبيل المثال، 89.3% عند Q60)، مما يظهر صمودًا أمام تدهور الصور في العالم الحقيقي.
التكيف: في سيناريوهات اللقطات القليلة (لقطة واحدة و10 لقطات) على مجموعة بيانات GenImage، يتفوق RPA على النماذج المرجعية مثل LIDA و ResNet و DIRE، محققًا دقة تقارب 60% مع 10 لقطات.
الأهمية والادعاءات تجادل الورقة بأن البساطة كافية لتحقيق إسناد عالي الأداء. وخلافًا للافتراض بأن المولدات المتطورة تتطلب أدوات إسناد متطورة، فإن شبكة CNN خفيفة الوزن تعمل على رقع خام قادرة على التقاط "البصمات" اللازمة.
يدعي المؤلفون أن RPA يضع معيارًا جديدًا لـ إسناد الصندوق الأسود الصارم، موضحًا أن:
تحقيق دقة عالية ممكن دون الوصول إلى المكونات الداخلية للنموذج.
مساحة السمات المتعلمة متعددة الاستخدامات، حيث تدعم ليس فقط التصنيف ولكن أيضًا الكشف عن المجموعات المفتوحة، والتكيف بلقطات قليلة، واكتشاف السلالة غير الخاضع للإشراف.
يجب على المجال الابتعاد عن الآليات الثقيلة القائمة على إعادة البناء نحو نماذج تمييزية أساسية وفعالة.
يجب النظر إلى إسناد النماذج كمسألة تأسيسية في حد ذاتها، والتي قد تندرج تحتها عملية الكشف عن التزييف العميق (deepfake detection) كحالة خاصة.
تشير الورقة صراحةً إلى القيود: فهي لا تدعي حل مشكلة الكشف عن (الحقيقي مقابل المزيف) (لأن النموذج لم يتم تدريبه على صور حقيقية)، ولا تقيم المتانة ضد الهجمات العدائية (adversarial robustness) ضد الهجمات المحسنة، معتبرة إياها أعمالًا مستقبلية منفصلة.