«Отпечатки» в дипфейках выдали параметры работы создавших их нейросетей

Vishal Asnani et al. / arXiv.org, 2021

Американские исследовали разработали алгоритм, позволяющий определять по сгенерированному нейросетью изображению некоторые параметры нейросети, которая его создала. Анализируя особенности изображения, он определяет архитектуру нейросети и функцию потерь, использованную во время обучения, что позволяет различать изображения, созданные разными людьми или организациями, рассказывают авторы в блоге Facebook AI и статье на arXiv.org.

В последние годы нейросетевые алгоритмы для создания изображений достигли такого качества, что, например, могут создавать фотографии людей, которые практически невозможно отличить от настоящих. Вместе с алгоритмами синтеза речи и текстов они представляют собой отличный инструмент для создания ботов злоумышленниками. Развитие алгоритмов в этой области идет по принципу щита и меча: одни исследователи совершенствуют алгоритмы генерации фейковых изображений, а другие учат алгоритмы распознавать фейки по мелким деталям, например, отражениям в глазах. Но пока алгоритмы распознавания искусственных фотографий могут лишь определять сам факт подделки.

Исследователи из Университета штата Мичиган и Facebook под руководством Сяомина Лю (Xiaoming Liu) создали алгоритм, распознающий тип нейросети, которой создали фейковое изображение, что может помочь связывать различные фейки в сети между собой и отслеживать деятельность злоумышленников.

Алгоритм состоит из двух основных частей: модуля, вычисляющего уникальные «отпечатки» нейросетевой модели по фотографии, и модуля, который по этим отпечаткам предсказывает архитектуру и использованную функцию потерь.

Модуль-вычислитель «отпечатков» принимает на вход изображение, а на выходе создает изображение с таким же разрешением, но на нем уже не отображен исходный контент, а закодирован «отпечаток». Для этого он проводит дискретное преобразование Фурье и затем проводит с его результатом несколько других операций, позволяющим увеличить различимость «отпечатка», например, отфильтровывает низкочастотную составляющую результата преобразования. В итоге модуль создает на основе сгенерированного нейросетью изображения паттерн, уникальный для этой нейросети.

«Отпечаток» передается на модуль определения нейросети. Он обучен определять 15 основных параметров нейросети, таких как количество слоев и блоков, а также восемь типов функций потерь. Он состоит из трех классификаторов для дискретных параметров и одного для непрерывных.

Исследователи отобрали 100 популярных нейросетей для создания искусственных изображений трех типов: лиц, обычных объектов (дома, автомобили, пейзажи и тому подобное) и рукописных цифр. Нейросети также различались по типам: 81 генеративно-состязательная (GAN), 13 вариационных автокодировщиков (VAE) и шесть моделей для состязательных атак (AA). Их обучали на популярных открытых датасетах, таких как ImageNet и MNIST. Для каждой модели исследователи отобрали по тысяче изображений.

Авторы отмечают, что поскольку это первая подобная работа, у них не было классического для работ по машинному обучению базового результата, с которым сравнивают работу нового алгоритма. Вместо этого они сравнивали результаты работы алгоритма — 23-мерный вектор (15 параметров и 8 функций потерь) — со случайными 23-мерными векторами. В результате новый алгоритм показал заметно большую точность:

Знание архитектуры нейросети может помочь использовать ее в других целях. В 2018 году исследователи из Google Brain показали, как можно модифицировать входное изображение таким образом, чтобы нейросеть, распознающая животных, распознавала цифры без необходимости в каком-либо переобучении.

Григорий Копиев



Нашли опечатку? Выделите фрагмент и нажмите Ctrl+Enter.