Score-based Likelihood Ratios for Deepfake Image Evidence Using Deep Learning Features
تقترح هذه الورقة إطار عمل لنسب الاحتمالية قائمًا على الدرجات ومتوافقًا مع المعايير الجنائية، يستفيد من ميزات التعلم العميق لنموذج (SRM) والنمذجة الإحصائية المعايرة لتحديد القوة الاستدلالية للصور المزيفة عميقًا، متجاوزةً بذلك قيود الكشف الثنائي التقليدي عبر توفير تقييمات قابلة للتفسير ومؤسسة عددياً لاتخاذ القرارات القضائية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
في قاعة المحكمة، نادراً ما تكون ثقل الأدلة مسألة بسيطة من نوع "نعم" أو "لا". فعندما يُقدم جزء من وسائط رقمية كدليل، لا يقتصر السؤال على ما إذا كان حقيقياً أم مزيفاً فحسب، بل في مدى قوة دعم البيانات لاستنتاج دون غيره. لعقود من الزمن، اعتمد خبراء الأدلة الجنائية على تحليل الإضاءة والظلال والبصمات الرقمية لكشف التلاعب. ومع ذلك، فإن جيلاً جديداً من الذكاء الاصطناعي قد غيّر قواعد اللعبة؛ إذ يمكن لهذه الأنظمة الآن تبديل الوجوه في مقاطع الفيديو والصور بدقة تجعل النتائج تبدو غير قابلة للتمييز عن الواقع بالنسبة للعين البشرية، حتى بالنسبة للخبراء المدربين. وغالباً ما تفشل الأدوات التقليدية التي تبحث عن الأخطاء الواضحة أو البيانات المفقودة لأن هذه التزييفات الجديدة تم إنتاجها لتكون مثالية. وهذا يخلق فجوة حرجة: يحتاج النظام القانوني إلى وسيلة لقياس قوة الدليل عندما تبدو الصورة نفسها خالية من العيوب، والانتقال من مجرد تخمين ثنائي إلى احتمالية محسوبة.
ولسد هذه الفجوة، طور الباحثون تيانلي غوو، وبينجي تشن، وري لو، ويونكي تانغ، طريقة جديدة لتقييم صور "التزييف العميق" (deepfake) تتعامل مع المشكلة كمسألة إحصائية بدلاً من كونها مهمة تصنيف بسيطة. فبدلاً من تدريب حاسوب ليصرخ "مزيف" أو "حقيقي"، يقيس نظامهم مدى قرب الصورة المشكوك فيها من مجموعة من الوجوه الحقيقية المعروفة. يبدأون باستخدام شبكة عصبية متخصصة، وهي نوع من الذكاء الاصطناعي المصمم لرصد الأنماط الدقيقة عالية التردد التي لا تستطيع العين البشرية رؤيتها، لاستخراج بصمة رقمية فريدة من كل صورة. وهذه البصمات ليست مجرد أرقام بسيطة، بل هي خرائط معقدة للملمس والبنية. ثم يقوم الباحثون بحساب متوسط البصمة لجميع الصور الحقيقية التي جمعوها، مما يخلق نقطة مرجعية مركزية، أو "مركز ثقل" (centroid)، يمثل النموذج المثالي للأصالة.
يتضمن جوهر عملهم قياس المسافة بين صورة جديدة مجهولة وهذه النقطة المركزية للوجوه الحقيقية. فإذا كانت الصورة حقيقية حقاً، يجب أن تقع بصمتها الرقمية بالقرب جداً من المركز الخاص بالمجموعة الحقيقية. أما إذا كانت "تزييفاً عميقاً"، حتى وإن كانت عالية الجودة، فإن بصمتها ستنزاح بعيداً عن هذا المركز. وقد اختبر الباحثون هذا النهج من خلال مقارنة آلاف الصور الحقيقية والمزيفة، ورسم خرائط توضح بدقة كيفية توزيع هذه المسافات. ووجدوا أنه بينما تنجح بعض عمليات التزييف في محاكاة الواقع ببراعة، إلا أنها لا تزال تترك أثراً إحصائياً يدفعها بعيداً عن المركز الخاص بالمجموعة الحقيقية أكثر مما قد تفعل الصورة الفوتوغرافية الحقيقية. ومن خلال استخدام تقنية رياضية تسمى "تقدير كثافة النواة" (kernel density estimation)، قاموا بتحويل هذه المسافات إلى نسبة احتمالية (likelihood ratio). وتعمل هذه النسبة كمقياس، يخبر الخبير الجنائي بدقة مدى احتمالية أن تكون الصورة حقيقية مقارنة باحتمال كونها تزويراً، بدلاً من مجرد تقديم درجة ثقة غامضة.
ولضمان موثوقية هذا النظام بما يكفي لقاعة المحكمة، طبق الفريق عدة طبقات من الاختبارات والتصحيحات الصارمة. فقد استخدموا طريقة تُعرف باسم "خوارزمية المجاور المنتهك المتتالي" (Pool Adjacent Violators algorithm) لمعايرة نتائجهم، لضمان أن الأرقام التي ينتجونها تعكس بدقة الاحتمالية الحقيقية للدليل. وأظهرت اختباراتهم على مجموعة بيانات محددة من صور التزييف العميق أن النظام يمكنه التمييز بين الحقيقي والمزيف بدقة عالية، حيث يخطئ في حوالي 6.75% فقط من الحالات. علاوة على ذلك، عالجوا مشكلة شائعة في النمذجة الإحصائية حيث يمكن للقيم المتطرفة أن تؤدي إلى استنتاجات مضللة؛ فمن خلال وضع حدود تجريبية، ضمنوا أن النظام لا ينتج أبداً نتيجة أقل موثوقية من التخمين العشوائي، مما أدى فعلياً إلى قطع أكثر التنبؤات تطرفاً وعدم يقيناً. وهذه العملية، التي يسمونها طريقة "الحد الأدنى والأقصى التجريبي" (Empirical Lower and Upper Bound method)، قامت بتقليم أقل من 9% من أكثر نقاط البيانات تطرفاً، مما ترك مجموعة من النتائج القوية والموثوقة.
تُظهر النتود أن من الممكن تجاوز قيود كواشف التزييف العميق الحالية، التي تعتمد غالباً على عتبات ثابتة يمكن خداعها بسهولة. فمن خلال الجمع بين ميزات التعلم العميق والنمذجة الإحصائية الدقيقة، أنشأ الباحثون مسار عمل ينتج مقياساً قابلاً للقياس والتفسير لقوة الدليل. لا يدعي هذا النهج أنه حل سحري يحل كل قضية فوراً، ولكنه يوفر إطاراً متوافقاً مع المعايير الجنائية يتماشى مع معايير الأدلة القانونية. لقد نجح النظام في ترجمة الاختلافات المعقدة وغير المرئية بين الصور الحقيقية والمزيفة إلى قيمة عددية واضحة يمكن فهمها ووزنها في سياق قضائي. وبينما تركز الدراسة الحالية على عمليات تبديل الوجب في التزييف العميق ضمن مجموعات بيانات محددة، فإن الطريقة تقدم مساراً واعداً لنظام قانوني يحتاج إلى التنقل في مشهد رقمي يزداد تعقيداً بدقة وثقة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.