مروری جامع بر روشهای نوین شناسایی محتوای دیپ فیک با رویکردهای یادگیری عمیق و مدلهای چندوجهی

در سالهای اخیر، پیشرفت چشمگیر در حوزه هوش مصنوعی، به ویژه در مدل های تولیدی مثل شبکه های مولد تقابلی (GAN) و ترنسفورمرها، باعث شده تولید محتوای جعلی مثل تصاویر، ویدئوها و حتی صداهایی که کاملا شبیه واقعیت هستند، بسیار ساده تر از قبل انجام شود. یکی از نمونه های مهم و بحثبرانگیز این فناوری دیپ ها، هست؛ تکنیکی که می فیکتونه ظاهر یا صدای یک فرد را به صورت مصنوعی بازسازی کند. این موضوع در عین جذاب بودن، نگرانی های زیادی هم به همراه داشته، چون استفاده نادرست از دیپ فیک می تواند به مسائل جدی مثل جعل هویت، انتشار اطلاعات نادرست یا آسیب به اعتبار افراد منجر بشود. به دلیل همین تهدیدها، توجه زیادی به سمت شناسایی و مقابله با دیپ فیک جلب شده و تحقیقات زیادی در این زمینه انجام شده. روش هایی که برای شناسایی این نوع محتوا استفاده شده، اغلب مبتنی بر یادگیری عمیق هستند؛ از جمله شبکه های کانولوشنی (CNN)، ترنسفورمرهایی مثل BERT و Vision Transformer (ViT)، مدل های ترکیبی مثل BiLSTM-GRU و حتی معماری های چندوجهی که صدا و تصویر را همزمان بررسی می کنند. در این مقاله، سعی شده با مرور ۵۱ مقاله علمی منتشرشده بین سالهای ۳۲۰۲ تا ۵۲۰۲، نگاهی دقیق و ساختارمند به روش های جدید شناسایی دیپ فیک داشته باشیم. این مطالعات، نه تنها از مدل های یادگیری عمیق استفاده کردند، بلکه تکنیک های خاصی

کلیدواژه ها:

دیپ فیک ، یادگیری عمیق ، شناسایی محتوا ، شبکه های کانولوشنی ، ترنسفورمرها ، مدل های چندوجهی