АНАЛІЗ МЕТОДІВ НАВЧАННЯ ТА ІНСТРУМЕНТІВ НЕЙРОМЕРЕЖ ДЛЯ ВИЯВЛЕННЯ ФЕЙКІВ

Автор(и)

DOI:

https://doi.org/10.28925/2663-4023.2023.20.2034

Ключові слова:

фейкові новини; інструменти виявлення фейків; нейромережі; методи навчання; методи виявлення дезінформації та фейкових новин у мережі Інтернет

Анотація

У цій статті проводиться аналіз різних методів навчання та інструментів нейромереж для виявлення фейків. Розглядаються підходи до виявлення фейків на основі текстових, візуальних та змішаних даних, а також використання різних типів нейромереж, таких як рекурентні нейронні мережі, згорткові нейронні мережі, глибока нейронна мережа, генеративні змагальні мережі та. Також розглядаються методи навчання з вчителем та без вчителя, такі як автокодувальні нейромережі та глибокі варіаційні автокодувальні нейромережі.

На основі проаналізованих дослідженнь, звертається увага на проблеми, пов'язані з обмеженнями в обсязі та якості даних, а також недостатньою ефективністю інструментів для виявлення складних типів фейків. Було проаналізовано програми та інструменти, які засновані на нейронних мережах, та зроблено висновки про їх ефективність та відповідність різним типам даних та задач виявлення фейків.

У результаті дослідження встановлено, що моделі машинного та глибинного навчання, а також методи змагального навчання та спеціальні інструменти для виявлення фейкових медіа є ефективними у виявленні фейків. Однак на ефективність і точність цих методів та інструментів можуть впливати такі фактори, як якість даних, методи, що використовуються для навчання та оцінювання, а також складність фейкових медіа, які виявляються. На основі аналізу методів навчання та характеристик нейромереж, визначено  переваги та недоліки у виявленні фейків. Постійні дослідження і розробки в цій галузі мають вирішальне значення для підвищення точності та надійності цих методів та інструментів для виявлення фейків.

Завантаження

Дані завантаження ще не доступні.

Посилання

Vosoughi, S., Roy, D., Aral, S. (2018). The spread of true and false news online. Science, 359(6380), 1146–1151. https://doi.org/10.1126/science.aap9559

Kulsoom, F., Narejo, S., Mehmood, Z., Chaudhry, H. N., Butt, A., Bashir, A. K. (2022). A review of machine learning-based human activity recognition for diverse applications. Neural Computing and Applications, 34(21), 18289–18324. https://doi.org/10.1007/s00521-022-07665-9

Singh, B., Sharma, D. K. (2021). Predicting image credibility in fake news over social media using multi-modal approach. Neural Computing and Applications, 34(24), 21503–21517. https://doi.org/10.1007/s00521-021-06086-4

Zhou, X., Zafarani, R. (2020). A Survey of Fake News. ACM Computing Surveys, 53(5), 1–40. https://doi.org/10.1145/3395046

Vosoughi, S., Mohsenvand, M. N., Roy, D. (2017). Rumor Gauge. ACM Transactions on Knowledge Discovery From Data, 11(4), 1–36. https://doi.org/10.1145/3070644

Chen, W., Zhang, Y., Yeo, C. K., Lau, C. T., Lee, B. S. (2018). Unsupervised rumor detection based on users’ behaviors using neural networks. Pattern Recognition Letters, 105, 226–233. https://doi.org/10.1016/j.patrec.2017.10.014

O'Brien, N., Latessa, S., Evangelopoulos, G., Boix, X. (2018). The Language of Fake News: Opening the Black-Box of Deep Learning Based Detectors.

Khan, J. Y., Khondaker, M. T. I., Afroz, S., Uddin, G., Iqbal, A. (2021). A benchmark study of machine learning models for online fake news detection. Machine Learning With Applications, 4, 100032. https://doi.org/10.1016/j.mlwa.2021.100032

About Us.. Factmata. https://factmata.com/about-us/

Introducing ChatGPT.. Introducing ChatGPT. https://openai.com/blog/chatgpt

Inc., V. Fakebox · Docs · Machine Box · Machine learning in a box. Fakebox · Docs · Machine Box · Machine Learning in a Box. https://machinebox.io/

Falcone, J., & bio, S. F. (2023). Looking for Great Deals? Use CNET Shopping to Save Time and Money. CNET. https://www.cnet.com/tech/services-and-software/use-cnet-shopping-to-seek-out-the-best-deals/

Khanam, Z., Alwasel, B. N., Sirafi, H., Rashid, M. (2021). Fake News Detection Using Machine Learning Approaches. IOP Conference Series: Materials Science and Engineering, 1099(1), 012040. https://doi.org/10.1088/1757-899x/1099/1/012040

Shad, H. S., Rizvee, M. M., Roza, N. T., Hoq, S. M. A., Monirujjaman Khan, M., Singh, A., Zaguia, A., Bourouis, S. (2021). Comparative Analysis of Deepfake Image Detection Method Using Convolutional Neural Network. Computational Intelligence and Neuroscience, 2021, 1–18. https://doi.org/10.1155/2021/3111676

Transformer neural networks are shaking up AI | TechTarget. Enterprise AI. https://www.techtarget.com/searchenterpriseai/feature/Transformer-neural-networks-are-shaking-up-AI

Transformer Neural Network. (2020). DeepAI. https://deepai.org/machine-learning-glossary-and-terms/transformer-neural-network

Rocca, J. (2021). Understanding Generative Adversarial Networks (GANs). Medium. https://towardsdatascience.com/understanding-generative-adversarial-networks-gans-cd6e4651a29

Deep Neural Networks. Deep Neural Networks. https://www.tutorialspoint.com/python_deep_learning/python_deep_learning_deep_neural_networks.htm

Patwari, K., Hafiz, S. M., Wang, H., Homayoun, H., Shafiq, Z., Chuah, C. N. (2022). DNN Model Architecture Fingerprinting Attack on CPU-GPU Edge Devices. 2022 IEEE 7th European Symposium on Security and Privacy (EuroS&P). https://doi.org/10.1109/eurosp53844.2022.00029

Downloads


Переглядів анотації: 262

Опубліковано

2023-06-29

Як цитувати

Тищенко, В. (2023). АНАЛІЗ МЕТОДІВ НАВЧАННЯ ТА ІНСТРУМЕНТІВ НЕЙРОМЕРЕЖ ДЛЯ ВИЯВЛЕННЯ ФЕЙКІВ . Електронне фахове наукове видання «Кібербезпека: освіта, наука, техніка», 4(20), 20–34. https://doi.org/10.28925/2663-4023.2023.20.2034