Deepfake探测器并非牢不可破

人员表明，通过在每个视频帧中插入被称为对抗性样本（adversarial examples ）的输入，探测器就可以被击败。对抗性的例子是稍微被操纵的输入，会导致人工智能系统，如机器学习模型犯错误。此外，研究小组还发现，在视频被压缩后，这种攻击仍然有效。

来自UC San Diego 的计算机工程专业博士生 Shehzeen Hussain 说:

我们的研究表明，对deepfake探测器的攻击可能是对真实世界的威胁，更令人震惊的是，我们证明，即使不知道探测器使用的机器学习模型的内部工作原理，也有可能制造出非常robust的对抗样本。

deepfake中，主体的脸部被修改，以创造令人信服的真实事件当中的镜头，而这些事件从未真正发生过。

因此，典型的deepfakes探测器会将焦点集中在视频中的人脸上: 首先跟踪它，然后将裁剪后的人脸数据传递给神经网络，由神经网络来判断这些人脸是真是假。

例如，眨眼在deepfakes中不能很好地复制，所以探测器将注意力集中在眼睛的运动上，以此作为确定假的一种方法。最先进的“deepfakes探测器”依靠机器学习模型来识别假视频。究人员指出，虚假视频在社交媒体平台上的广泛传播引起了全世界的重大关切，尤其是影响了媒体的可信度。

“如果攻击者对探测系统有一定的了解，他们就可以设计输入信号，瞄准探测器的盲点，并绕过它,”论文的另一位合著者、来自加州大学圣地亚哥分校计算机科学专业的学生帕尔斯 · 尼卡拉(Paarth Neekhara)说。

研究人员为视频画面中的每一张脸创建了一个对抗性的样本。但是，虽然标准的操作，例如视频压缩和调整大小，通常会从图像中去除对抗性的样本，这些例子是建立来承受这些过程的。

攻击算法通过估计一组输入转换来实现这一点，模型将图像排序为真或假。从那里，它使用这种估计转换图像的方式，使得即使在压缩和解压缩后，对抗性的图像仍然有效。

（编辑：葫芦岛站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!