Армия США использует машинное обучение для обнаружения дипфейков
5 мая 2021 года
Армия США представила легковесный инструмент для выявления дипфейков, позволяющий предотвратить представляемую ими потенциальную угрозу национальной безопасности.
«В связи с продвижением генеративных нейронных сетей управляемые искусственным интеллектом дипфейки развиваются так быстро, что надежных методов для их обнаружения и защиты от них попросту не хватает. Существует острая необходимость в альтернативной парадигме, которая могла бы понять механизм поразительной производительности дипфейков и разработать эффективные защитные решения с прочной теоретической поддержкой», – пояснил профессор электротехники и вычислительной техники Университета Южной Калифорнии Чунг-Чи Джей Куо (C.-C. Jay Kuo).
Группа специалистов под руководством Куо создала инструмент DefakeHop, объединяющий в себе машинное обучение, анализ сигналов и компьютерное зрение. В основе DefakeHop лежит новая архитектура нейронной сети Successive Subspace Learning (SSL). По словам исследователей, уникальная конструкция DefakeHop имеет ряд преимуществ перед традиционными методами обнаружения дипфейков, в том числе большую прозрачность, низкие потребности в контроле, меньшие размеры моделей и лучшую безопасность.
Как пояснил Куо, SSL представляет собой совершенно новую математическую основу для архитектуры нейронной сети, разработанная на основе теории преобразования сигналов.
«Она радикально отличается от традиционного подхода, предлагая новое представление сигнала и процесс, включающий несколько матриц преобразования в каскаде. […] Это полная неконтролируемая среда, управляемая данными, предлагающая совершенно новый инструмент для обработки изображений и понимания таких задач, как биометрия лица», – сообщил Куо.
Помимо обнаружения дипфейков специалисты нашли целый ряд применений предложенной ими облегченной модели интерпретации изображений в вооруженных силах.
«Мы ожидаем, что в будущем солдаты будут использовать
на поле боя интеллектуальные, но чрезвычайно малые по весу и мощности устройства видения. Предложенное решение имеет ряд желаемых характеристик, в том числе небольшой размер модели, ограниченное количество обучающих данных, низкую сложность обучения и возможность обработки входных изображений с низким разрешением. Это может привести к разработке революционных решений с далеко идущим применением для армии», – пояснил исследователь Армейской исследовательской лаборатории (ARL) Суя Ю.
Источники[править]
Эта статья содержит материалы из статьи «Армия США использует машинное обучение для обнаружения дипфейков», опубликованной на сайте SecurityLab.ru и распространяющейся на условиях лицензии Creative Commons Attribution 3.0 Unported (CC-BY 3.0 Unported). |
Любой участник может оформить статью: добавить иллюстрации, викифицировать, заполнить шаблоны и добавить категории.
Любой редактор может снять этот шаблон после оформления и проверки.
Комментарии[править]
Если вы хотите сообщить о проблеме в статье (например, фактическая ошибка и т. д.), пожалуйста, используйте обычную страницу обсуждения.
Комментарии на этой странице могут не соответствовать политике нейтральной точки зрения, однако, пожалуйста, придерживайтесь темы и попытайтесь избежать брани, оскорбительных или подстрекательных комментариев. Попробуйте написать такие комментарии, которые заставят задуматься, будут проницательными или спорными. Цивилизованная дискуссия и вежливый спор делают страницу комментариев дружелюбным местом. Пожалуйста, подумайте об этом.
Несколько советов по оформлению реплик:
- Новые темы начинайте, пожалуйста, снизу.
- Используйте символ звёздочки «*» в начале строки для начала новой темы. Далее пишите свой текст.
- Для ответа в начале строки укажите на одну звёздочку больше, чем в предыдущей реплике.
- Пожалуйста, подписывайте все свои сообщения, используя четыре тильды (~~~~). При предварительном просмотре и сохранении они будут автоматически заменены на ваше имя и дату.
Обращаем ваше внимание, что комментарии не предназначены для размещения ссылок на внешние ресурсы не по теме статьи, которые могут быть удалены или скрыты любым участником. Тем не менее, на странице комментариев вы можете сообщить о статьях в СМИ, которые ссылаются на эту заметку, а также о её обсуждении на сторонних ресурсах.