Continuously Evolving Deepfake Detection: An Architecture and Public-Benchmark Evaluation of a Dynamic Detection System
यह शोध पत्र बिटमाइंड फॉरेंसिक्स (BMF) को प्रस्तुत करता है, जो बिटटेंसोर SN34 एडवरसैरियल प्रतियोगिता के माध्यम से प्रशिक्षित एक निरंतर विकसित होने वाली डीपफेक डिटेक्शन प्रणाली है, जो स्टेट-ऑफ-द-आर्ट स्थिर मॉडलों की तुलना में विविध वास्तविक और इन-द-वाइल्ड बेंचमार्क पर काफी बेहतर मजबूती और प्रदर्शन प्रदर्शित करती है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
इंटरनेट की कल्पना एक विशाल, हलचल भरे शहर के रूप में करें जहाँ लोग लगातार तस्वीरें और वीडियो साझा करते हैं। वर्षों तक यह शहर सुरक्षित था क्योंकि हम आसानी से बता सकते थे कि क्या असली है और क्या नकली। लेकिन हाल ही में, एक नया प्रकार का "जादू का खेल" आया है: वह AI जो अविश्वसनीय रूप से वास्तविक दिखने वाली नकली तस्वीरें और वीडियो बना सकता है, जिन्हें "डीपफेक" (deepfakes) के रूप में जाना जाता है। ये केवल खराब चित्र नहीं हैं; ये इतने अच्छे हैं कि विशेषज्ञ भी इन्हें पहचानने में संघर्ष करते हैं। समस्या यह है कि हमने इन नकली चीजों को पकड़ने के लिए जो "जासूस" बनाए थे, वे उन पुलिस अधिकारियों की तरह हैं जिन्होंने केवल पुरानी अपराध पुस्तकों का अध्ययन किया है। वे पिछले साल के नकली कृत्यों को पकड़ने में माहिर हैं, लेकिन जैसे ही AI अपराधियों ने कोई नई चाल ईजाद की, जासूस भ्रमित हो जाते हैं और विफल हो जाते हैं। यह शोध पत्र इस डरावनी वास्तविकता को संबोधित करता है कि हमारे वर्तमान डिटेक्टर (पहचानकर्ता) बेकार होते जा रहे हैं क्योंकि वे बनने के बाद सीखना बंद कर देते हैं।
इस शोध पत्र के लेखक, बिटमाइंड (BitMind), तर्क देते हैं कि समाधान केवल एक स्मार्ट जासूस बनाने में नहीं है; बल्कि एक ऐसा जासूस बनाने में है जो प्रशिक्षण लेना कभी बंद न करे। उन्होंने बिटमाइंड फोरेंसिक्स (BMF) नामक एक प्रणाली बनाई है जो एक जीवित, सांस लेते हुए प्रशिक्षण मैदान की तरह कार्य करती है। एक मॉडल को एक बार सिखाकर उसे तिजोरी में बंद करने के बजाय, उन्होंने एक खुला, प्रतिस्पर्धी अखाड़ा (जिसे बिटटेंसर SN34 कहा जाता है) स्थापित किया है जहाँ दो टीमें लगातार एक-दूसरे से लड़ती हैं। एक तरफ, "जेनरेटिव माइनर्स" (generative miners) सिस्टम को मूर्ख बनाने के लिए सबसे अधिक विश्वसनीय नकली चीजें बनाने की कोशिश करते हैं। दूसरी ओर, "डिस्क्रिमिनेटिव माइनर्स" (discriminative miners) उन नकली चीजों को पकड़ने के लिए डिटेक्टर बनाने की कोशिश करते हैं। हर कुछ घंटों में, नकली चीजें अपडेट की जाती हैं, और डिटेक्टरों को या तो अनुकूल होना पड़ता है या हार माननी पड़ती है। यह एक वीडियो गेम की तरह है जहाँ हर बार जब आप बॉस को हराते हैं, तो बॉस और भी शक्तिशाली हो जाता है, जिससे खिलाड़ी को लगातार अपना स्तर (level up) बढ़ाने के लिए मजबूर होना पड़ता है।
शोध पत्र इस प्रणाली के एक विशिष्ट "स्नैपशॉट" का परीक्षण करता है—एक संस्करण जो 15 अप्रैल, 2026 को समय में स्थिर (frozen) था—यह देखने के लिए कि क्या यह "हमेशा सीखने वाला" दृष्टिकोण पुराने, स्थिर दृष्टिकोणों की तुलना में वास्तव में बेहतर काम करता है। उन्होंने इस स्नैपशॉट को 19 अलग-अलग सार्वजनिक परीक्षणों के कठिन दौर से गुजारा, जिसमें वास्तविक दुनिया के पेचीदा परिदृश्य शामिल हैं जहाँ छवियों को संकुचित (compress), रीसाइज या एन्हांस किया गया है ताकि नकलीपन को छिपाया जा सके। परिणाम चौंकाने वाले हैं: जबकि पुराने, स्थिर डिटेक्टर इन नई चालों का सामना करने पर अक्सर ढह जाते हैं, बिटमाइंड फोरेंसिक्स अपनी स्थिति बनाए रखता है। सोशल मीडिया की वास्तविक सामग्री के एक कठिन "इन-द-वाइल्ड" (in-the-wild) परीक्षण में, इसने 91.5% नकली छवियों और 82.2% नकली वीडियो को पकड़ा, जो बेहतरीन व्यावसायिक उपकरणों को भी पीछे छोड़ देता है और उन ओपन-सोर्स मॉडलों से कहीं आगे निकल जाता है जो 60% तक पहुँचने के लिए भी संघर्ष कर रहे थे।
शायद सबसे रोमांचक खोज यह है कि यह प्रणाली जितना हालिया डेटा होता है, उतना ही बेहतर होती जाती है। जब लेखकों ने अपने डिटेक्टर के एक पुराने संस्करण की तुलना नए संस्करण से की, तो नए संस्करण ने उन AI टूल्स द्वारा बनाई गई नकली चीजों पर अपने स्कोर में महत्वपूर्ण सुधार किया जो पुराने संस्करण के प्रशिक्षण के समय अस्तित्व में भी नहीं थे। उदाहरण के लिए, वीडियो परीक्षणों पर, केवल प्रशिक्षण डेटा को अपडेट करने से स्कोर 0.864 से बढ़कर 0.936 हो गया। शोध पत्र सुझाव देता है कि "निरंतर विकास" (continuous evolution) ही AI नकली चीजों से आगे रहने का एकमात्र तरीका है। हालाँकि, लेखक सावधानी बरतते हुए नोट करते हैं कि यह प्रणाली पूर्ण नहीं है; यह अभी भी कुछ प्रकार के कम गुणवत्ता वाले नकली कंटेंट या विशिष्ट AI जनरेटरों के साथ संघर्ष करती है जिन्हें इसने अभी तक पर्याप्त रूप से नहीं देखा है। लेकिन मुख्य संदेश स्पष्ट है: एक चलते हुए लक्ष्य को पकड़ने के लिए, आप स्थिर नहीं रह सकते। आपको इसके साथ चलते रहना होगा।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।