Blockchain Ethereum IA
El sistema registra archivos con hashes SHA-256, los almacena en IPFS mediante Pinata y ancla metadatos en un contrato inteligente de Ethereum. El estudio reporta AUC de 0,9868 en imágenes, AUC de 0,9628 en video, EER de 18,63% en audio y 99,88% de precisión en fingerprinting de GAN. La expansión de medios sintéticos generados con inteligencia artificial ya no representa solo un problema para redes sociales o campañas de desinformación. También amenaza la integridad de pruebas digitales usadas en investigaciones forenses y procesos judiciales.
Ese es el punto de partida de DeepFake Forensics AI: A Multi-Modal Detection and Blockchain-Anchored Evidence Management Platform , un trabajo de Naisha Minnah, del Departamento de Ciencias de la Computación de Providence Women’s College, afiliado a University of Calicut, en Kerala, India. La propuesta une detección multimodal de deepfakes con gestión de evidencia anclada en blockchain . El sistema busca resolver dos vacíos concretos. Muchos detectores actuales se enfocan en una sola modalidad, como imagen, video o audio. Además, suelen carecer de un mecanismo criptográfico para preservar el resultado del análisis como evidencia resistente a manipulaciones.
Para lectores nuevos en el tema, un deepfake puede ser una imagen, video o voz artificial que imita personas reales o crea escenas falsas. Con modelos generativos más accesibles, la autenticación de archivos digitales se vuelve más compleja, sobre todo cuando una prueba debe sostenerse ante un tribunal. Una plataforma para imágenes, videos, audio y huellas generativas DeepFake Forensics AI combina cuatro módulos de inteligencia artificial. El primero analiza imágenes con EfficientNet-B4 y clasifica cuadros individuales como reales o falsos. En las pruebas, este detector logró 92,57% de precisión y un AUC de 0,9868 sobre 21. 211 cuadros de FaceForensics++.
El segundo módulo estudia videos mediante una arquitectura de dos pasos. Primero extrae representaciones de cuadros con EfficientNet-B4. Luego usa una red Bidirectional LSTM para capturar inconsistencias temporales en secuencias de 32 cuadros. Ese detector de video alcanzó 95,54% de precisión y un AUC de 0,9628 en 6. 529 videos de Celeb-DF v2. El sistema clasificó correctamente 5. 560 de 5. 639 videos falsos y 678 de 890 videos reales, con una puntuación F1 macro de 0,8989. El tercer módulo analiza audio con ECAPA-TDNN, una arquitectura usada en verificación de hablantes y tareas anti-spoofing. El modelo trabaja con espectrogramas log-Mel de 80 dimensiones.
En ASVspoof2019 LA logró
Etiquetas: Tecnología · Deepfakes y fraudes con IA
About the Author
