Deepfake Detection and Authentication Using Hybrid Artificial Intelligence Models: A Case Study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The progress of artificial intelligence (AI) has enabled the creation of very realistic synthetic media, also known as deepfakes, which poses a serious threat to information integrity and social confidence. The article examined the process of detecting and authenticating deep fakes using hybrid AI models. The researchers employed the case study methodology, based on the Celeb-DF V2 dataset, one of the most challenging datasets for generating high-quality manipulated videos. The suggested system combined convolutional neural networks (CNNs) to extract spatial features, recurrent neural networks (LSTMs/GRUs) to model temporal consistency, and transformer systems to analyse fine-grained context. The researchers bundled these parts together to enhance robustness and generalisation in an ensemble mechanism. They also introduced provenance tracking and semi-fragile watermarking to supplement detection, enabling proactive authentication and watermark verification of media through blockchain-based provenance tracking. The experimental findings showed that the hybrid models were more accurate, achieved higher F1 Scores, and were more robust to adversarial manipulations than the single-model baselines. The hybrid with a transformer achieved the best accuracy (0.95 AUC) and the lowest false-positive rate (6%), but at the expense of slower processing speeds. Authentication tools also helped strengthen trust by verifying the originality of content and flagging potential manipulation before it was classified. The results have revealed that hybrid AI models, when implemented with authentication strategies, represent a more effective and legitimate approach to addressing the threats of misinformation, fraud, and loss of trust among the population in the face of deepfakes.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle