GenLie: A Global-Enhanced Lie Detection Network under Sparsity and Semantic Interference

1. El Problema: Detección de Mentiras Basada en Video

La detección de mentiras basada en video busca identificar comportamientos engañosos a partir de señales visuales. A pesar de los avances recientes, el desafío central radica en aprender representaciones escasas pero altamente discriminativas.

• Naturaleza de las señales: Las señales de engaño suelen ser sutiles, de corta duración y dispersas en el tiempo, lo que las hace fácilmente abrumadas por información redundante.
• Ruido e Interferencia: Las variaciones individuales (identidad) y contextuales introducen un ruido fuerte que enmascara las señales de engaño.
• Limitaciones actuales:
  • Enfoques explícitos: Dependen de pistas psicológicas predefinidas (microexpresiones), pero a menudo fallan ante comportamientos sutiles o no definidos.
  • Enfoques implícitos: Usan redes neuronales profundas (CNN/Transformers) para aprender patrones, pero luchan con señales escasas e interferencia semántica.
  • Enfoques híbridos: Combinan ambos, pero suelen requerir arquitecturas complejas que limitan la escalabilidad.

2. Metodología: GenLie (Red de Detección de Mentiras Mejorada Globalmente)

GenLie es un marco de trabajo end-to-end que adopta una estrategia de modelado conjunto local-global para abordar el problema de la escasez de señales y el ruido de identidad.

Arquitectura del Modelo

El sistema consta de tres componentes principales:

1. Preprocesador (Selección de Frames Redundancia-Consciente):

   • Divide el video en segmentos y selecciona $K$ frames informativos de cada uno (totalizando 128 frames si es posible).
   • Evalúa seis estrategias de puntuación para seleccionar los frames: basado en Unidades de Acción (AU), microexpresiones, mirada, postura, fusión de múltiples pistas y muestreo uniforme.
   • Hallazgo clave: El muestreo uniforme resultó ser el más robusto en la mayoría de los casos.

2. Alineador (Aligner - Modelado Local):

   • Utiliza un codificador VideoMAEv2 (congelado) para extraer características a nivel de segmento de los frames seleccionados.
   • Aplica un módulo de re-embedding impulsado por la tarea (una red MLP de dos capas) para refinar las características y resaltar las pistas de engaño latentes, transformando la secuencia dinámica en una representación global compacta ($z$).

3. Cabeza Discriminativa (Discriminative Head - Optimización Global):
   Para garantizar que la representación sea invariante a la identidad y altamente discriminativa, se introducen dos mecanismos de supervisión global:

   • Descorrelación del Hablante (Speaker-Decorrelation): Utiliza un clasificador de hablante auxiliar conectado mediante una Capa de Reversión de Gradiente (GRL). Esto fuerza al modelo a aprender características que no permitan identificar al hablante, eliminando el ruido relacionado con la identidad.
   • Pérdida de Tripleta (Triplet Loss): Se aplica a nivel de video para promover la compacidad intra-clase y la separación inter-clase. Se muestrean ejemplos positivos y negativos tanto del mismo hablante como de diferentes, mejorando la robustez.

Función de Pérdida Total

La optimización conjunta minimiza:
$$L_{total} = L_{cls} + \alpha \cdot L_{id} + \beta \cdot L_{tri}$$
Donde $L_{cls}$ es la pérdida de clasificación de engaño, $L_{id}$ es la pérdida de decorrelación de hablante y $L_{tri}$ es la pérdida de tripleta.

3. Contribuciones Clave

1. Propuesta de GenLie: Un marco end-to-end que aborda específicamente el problema fundamental de aprender representaciones escasas pero discriminativas para la detección de mentiras.
2. Estrategia Local-Global: Combina la selección de frames consciente de la redundancia y el re-embedding impulsado por la tarea (local) con la optimización global (descorrelación adversaria y pérdida de tripleta) para generar embeddings invariables a la identidad.
3. Rendimiento Superior: Demostración experimental de que GenLie supera a los métodos más avanzados (SOTA) en escenarios de alto y bajo riesgo.

4. Resultados Experimentales

El modelo fue evaluado en tres conjuntos de datos públicos que cubren diferentes niveles de riesgo:

• MDPE: Corpus chino a gran escala (bajo riesgo).
• Real-Life Trial: Videos de tribunales (alto riesgo).
• SEUMLD: Dataset de alto riesgo con segmentos conversacionales.

Métricas de Desempeño: Se reportaron F1-score positivo, Precisión (ACC) y Área bajo la curva ROC (AUC).

• Comparación General: GenLie superó consistentemente a métodos explícitos, híbridos e implícitos en los tres conjuntos de datos.
  • En MDPE, logró el mejor F1 (38.97%) y AUC (59.91%).
  • En Real-Life Trial, obtuvo la mejor precisión (93.44%) y AUC (98.96%).
  • En SEUMLD, lideró nuevamente en F1 (42.39%) y AUC (59.15%).
• Estudio de Ablación:
  • La eliminación del re-embedding impulsado por la tarea (FSR) causó la mayor caída de rendimiento, especialmente en MDPE y SEUMLD, confirmando su importancia para resaltar pistas sutiles.
  • La eliminación de la descorrelación de hablante ($L_{id}$) afectó más significativamente en el dataset de tribunales (Real-Life Trial), validando su necesidad para mitigar el sesgo de identidad.
  • El muestreo uniforme superó a las estrategias heurísticas basadas en pistas faciales específicas (como AU o mirada), sugiriendo que la cobertura temporal completa es más robusta que intentar adivinar dónde ocurren las microexpresiones.

5. Significado e Impacto

• Solución Simple y Reproducible: GenLie ofrece una arquitectura modular que integra codificadores de video preentrenados (frozen) con un mínimo ajuste, facilitando su implementación.
• Generalización: Al eliminar la dependencia de la identidad del hablante y enfocarse en señales globales y locales optimizadas, el modelo generaliza mejor a través de diferentes contextos y sujetos.
• Avance en el Campo: El trabajo demuestra que la combinación de modelado local (para capturar señales escasas) y supervisión global (para suprimir ruido de identidad) es una vía superior para la detección de mentiras basada en video, superando las limitaciones de los enfoques anteriores que se centraban demasiado en pistas manuales o en arquitecturas complejas de múltiples ramas.

En resumen, GenLie establece un nuevo estado del arte al tratar la detección de mentiras no como un problema de encontrar una "microexpresión específica", sino como un desafío de optimización de representaciones espaciotemporales que deben ser a la vez sensibles a la señal débil y robustas frente al ruido contextual e identitario.