КОНФЕРЕНЦІЇ ВНТУ електронні наукові видання, 
Молодь в науці: дослідження, проблеми, перспективи (МН-2026)

Розмір шрифта: 
МЕТОДИ ТА ЗАСОБИ ВИЯВЛЕННЯ ФЕЙКОВОГО КОНТЕНТУ ЗАСОБАМИ ШТУЧНОГО ІНТЕЛЕКТУ: ОГЛЯД СУЧАСНИХ ПІДХОДІВ
Леонід Куперштейн, Володимир Клименко

Остання редакція: 2026-06-21

Анотація


Представлено огляд сучасних методів та засобів виявлення фейкового контенту із застосуванням штучного інтелекту. Запропоновано класифікацію підходів за чотирма модальностями – текст, зображення, відео та аудіо – з виокремленням наскрізного рівня мультимодального аналізу. Розглянуто трансформерні детектори фейкових і згенерованих текстів, методи виявлення дипфейків на основі згорткових та трансформерних нейронних мереж, а також системи виявлення синтезованого мовлення із застосуванням самокерованого навчання. Показано, що сучасні детектори демонструють високу точність у межах окремого набору даних, проте суттєво втрачають ефективність на реальних даних та щодо невідомих генеративних моделей. Виявлено наукову прогалину – відсутність комплексних мультимодальних засобів виявлення, здатних узгоджено аналізувати різнорідні сигнали, та обґрунтовано перспективність їх розроблення.

Ключові слова


виявлення фейкового контенту; штучний інтелект; дипфейк; трансформери; мультимодальний аналіз; глибоке навчання; інформаційна безпека

Посилання


1. Lin L. Detecting Multimedia Generated by Large AI Models: A Survey / L. Lin, N. Gupta, Y. Zhang et al. – arXiv preprint arXiv:2402.00045. – 2024. – DOI: 10.48550/arXiv.2402.00045.

 

2. Mitchell E. DetectGPT: Zero-Shot Machine-Generated Text Detection Using Probability Curvature / E. Mitchell, Y. Lee, A. Khazatsky, C. D. Manning, C. Finn // Proceedings of the 40th International Conference on Machine Learning (ICML). – PMLR, 2023. – Vol. 202. – P. 24950–24962. – DOI: 10.48550/arXiv.2301.11305.

 

3. Rössler A. FaceForensics++: Learning to Detect Manipulated Facial Images / A. Rössler, D. Cozzolino, L. Verdoliva, C. Riess, J. Thies, M. Nießner // Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV). – 2019. – P. 1–11. – DOI: 10.1109/ICCV.2019.00009.

 

4. Wang X. ASVspoof 2019: Future Horizons in Spoofed and Fake Audio Detection / X. Wang, J. Yamagishi, M. Todisco et al. // Proceedings of Interspeech. – 2019. – P. 1008–1012. – DOI: 10.21437/Interspeech.2019-2249.

 

5. Frank J. WaveFake: A Data Set to Facilitate Audio Deepfake Detection / J. Frank, L. Schönherr // Proceedings of the NeurIPS Datasets and Benchmarks Track. – 2021. – DOI: 10.48550/arXiv.2111.02813.


Повний текст: PDF