A Hybrid GAN-CNN Network with Attention Mechanism for Detecting Fake Profile Images in Microblogs
Notice bibliographique
Résumé
Fake identities on social networks and microblogs arise from the creation of fraudulent account photographs and cyberattacks, enabling malicious actors to gain access to identification systems and compromise accounts.The objective of this study was to develop a neural network for detecting fake images, representing a symbiosis of Generative Adversarial Networks (GAN) and Convolutional Neural Networks (CNN).The proposed neural network, named GAN-CNN with Attention Mechanism Network (GAMN), integrates an attention mechanism to enhance detection accuracy.To describe the texture of images, a Gram matrix was employed.The contrast of the image textures was analyzed by calculating the Pearson correlation coefficient between the original and edited images.For the evaluation of test images, the "ResNet" model of the CNN was utilized alongside the developed neural network "GAMN."The Class Activation Map (CAM) method was applied to identify differences between fake and authentic faces.An attention mechanism was integrated into the convolutional neural network by adding a self-attention layer.This enabled the model to assign varying importance to the different image parts (such as eyes, mouth, and background) based on the likelihood of alterations.The activation of the attention improved the neural network's prediction accuracy from 80.74% to 89.27%.The performance of the developed "GAMN" neural network outperforms the "ResNet" detector by 10% and the Co-detect detector by 30%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».