Score-based Likelihood Ratios for Deepfake Image Evidence Using Deep Learning Features
Dit artikel stelt een forensisch conforme, op scores gebaseerde likelihood ratio-framework voor die gebruikmaakt van SRM deep learning-kenmerken en gekalibreerde statistische modellering om de bewijskracht van deepfake-afbeeldingen te kwantificeren, waarbij de beperkingen van conventionele binaire detectie wordt overwonnen door interpreteerbare, numeriek gegronde beoordelingen te bieden voor juridische besluitvorming.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de rechtszaal is het gewicht van bewijs zelden een eenvoudige kwestie van "ja" of "nee". Wanneer een stuk digitaal media als bewijs wordt gepresenteerd, is de vraag niet alleen of het echt of nep is, maar hoe sterk de gegevens de ene conclusie boven de andere ondersteunen. Decennialang hebben forensische experts vertrouwd op het analyseren van belichting, schaduwen en digitale vingerafdrukken om manipulatie te ontdekken. Echter, een nieuwe generatie kunstmatige intelligentie heeft het spel veranderd. Deze systemen kunnen nu gezichten in video's en foto's zo nauwkeurig vervangen dat de resultaten voor het menselijk oog niet te onderscheiden zijn van de werkelijkheid, zelfs niet voor getrainde experts. Traditionele hulpmiddelen die zoeken naar overduidelijke fouten of ontbrekende gegevens schieten vaak tekort omdat deze nieuwe vervalsingen zijn gegenereerd om perfect te zijn. Dit creëert een kritieke kloof: het rechtssysteem heeft een manier nodig om de kracht van bewijs te meten wanneer de afbeelding zelf vlekkeloos oogt, waarbij men verder gaat dan een binaire gok naar een berekende waarschijnlijkheid.
Om deze kloof te overbruggen, hebben onderzoekers Tianli Guo, Pengji Chen, Rui Lu en Yunqi Tang een nieuwe methode ontwikkeld voor het evalueren van deepfake-afbeeldingen, die het probleem behandelt als een statistische vraag in plaats van een eenvoudige classificatietaak. In plaats van een computer te trainen om "nep" of "echt" te roepen, meet hun systeem hoe nauw een betwiste afbeelding overeenkomt met een collectie bekende, authentieke gezichten. Ze beginnen met het gebruik van een gespecialiseerd neuraal netwerk, een type kunstmatige intelligentie ontworpen om subtiele, hoogfrequente patronen te detecteren die het menselijk oog niet kan zien, om een unieke digitale vingerafdruk uit elke afbeelding te extraheren. Deze vingerafdrukken zijn niet slechts eenvoudige getallen, maar complexe kaarten van textuur en structuur. De onderzoekers berekenen vervolgens de gemiddelde vingerafdruk van alle verzamelde authentieke afbeeldingen, waardoor een centraal referentiepunt, of een "zwaartepunt", ontstaat dat het ideaal van authenticiteit vertegenwoordigt.
De kern van hun werk bestaat uit het meten van de afstand tussen een nieuwe, onbekende afbeelding en dit centrale punt van authentieke gezichten. Als een afbeelding echt is, zou de digitale vingerafdruk zeer dicht bij het centrum van de authentieke groep moeten liggen. Als het een deepfake is, zelfs een van hoge kwaliteit, zal de vingerafdruk afwijken van dit centrum. De onderzoekers testten deze aanpak door duizenden echte en neppe afbeeldingen te vergelijken en brachten exact in kaart hoe deze afstanden verdeeld zijn. Ze ontdekten dat hoewel sommige vervalsingen zeer goed zijn in het imiteren van de werkelijkheid, ze nog steeds een statistisch spoor achterlaten dat hen verder van het centrum van de authentieke groep duwt dan een echte foto zou doen. Door een wiskundige techniek genaand kernel density estimation (kern-dichtheidschatting) te gebruiken, vertaalden ze deze afstanden naar een likelihood ratio (waarschijnlijkheidsverhouding). Deze ratio fungeert als een schaal die de forensisch onderzoeker precies vertelt hoe waarschijnlijker het is dat de afbeelding echt is vergeleken met de kans dat het een vervalsing is, in plaats van slechts een vaag vertrouwenscijfer te bieden.
Om ervoor te zorgen dat dit systeem betrouwbaar genoeg is voor een rechtszaal, pasten de onderzoekers verschillende lagen van rigoureuze testen en correcties toe. Ze gebruikten een methode die bekend staat als het Pool Adjacent Violators-algoritme om hun resultaten te kalibreren, waardoor ze garandeerden dat de geproduceerde cijfers de werkelijke waarschijnlijkheid van het bewijs nauwkeurig weerspiegelden. Hun tests op een specifieke dataset van deepfake-afbeeldingen toonden aan dat het systeem tussen echt en nep kon onderscheiden met een hoge mate van nauwkeurigheid, waarbij fouten slechts in ongeveer 6,75% van de gevallen werden gemaakt. Bovendien pakten ze een veelvoorkomend probleem in statistische modellering aan, waarbij extreme waarden tot misleidende conclusies kunnen leiden. Door empirische grenzen in te stellen, zorgden ze ervoor dat het systeem nooit een resultaat produceert dat minder betrouwbaar is dan een willekeurige gok, waardoor de meest extreme en onzekere voorspellingen effectief werden afgesneden. Dit proces, dat zij de Empirical Lower and Upper Bound-methode noemen, elimineerde minder dan 9% van de meest extreme datapunten, wat resulteerde in een robuuste en betrouwbare set resultaten.
De bevindingen tonen aan dat het mogelijk is om voorbij de beperkingen van huidige deepfake-detectoren te gaan, die vaak vertrouwen op vaste drempelwaarden die gemakkelijk te misleiden zijn. Door deep learning-kenmerken te combineren met zorgvuldige statistische modellering, hebben de onderzoekers een pijplijn gecreëerd die een kwantificeerbare, interpreteerbare maatstaf voor de kracht van bewijs produceert. Deze aanpak beweert geen wondermiddel te zijn dat elk geval onmiddellijk oplost, maar biedt een forensisch conform kader dat aansluit bij de standaarden van juridisch bewijs. Het systeem vertaalt de complexe, onzichtbare verschillen tussen echte en neppe afbeeldingen succesvol naar een duidelijke, numerieke waarde die begrepen en afgewogen kan worden in een gerechtelijke setting. Hoewel de huidige studie zich richt op face-swapping deepfakes binnen specifieke datasets, biedt de methode een veelbelovend pad vooruit voor een rechtssysteem dat een steeds complexer digitaal landschap met precisie en vertrouwen moet navigeren.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.