Wykrywanie zmanipulowanych treści multimedialnych typu Deep Fake przy użyciu uczenia maszynowego i sieci

Głównym celem projektu jest opracowanie i porównanie zaawansowanych algorytmów uczenia maszynowego do wykrywania treści multimedialnych zmanipulowanych z wykorzystaniem technologii Deep Fake w celu zwiększenia bezpieczeństwa cyfrowego i ochrony przed dezinformacją.
W dobie rosnącej liczby syntetycznie generowanych treści wizualnych i dźwiękowych, projekt stanowi ważny element cyberbezpieczeństwa, oferując narzędzia do szybkiego reagowania i przeciwdziałania dezinformacji oraz atakom opartym na fałszywych treściach. Rozwiązania i algorytmy zaproponowane w projekcie mają na celu wykrywanie fałszywych treści multimedialnych, np. filmów lub nagrań audio przedstawiających polityków, celebrytów i ekspertów, publikujących fałszywe wiadomości lub wykonujących fikcyjne działania. W skrajnych przypadkach tak przygotowane treści mogą prowadzić do oszustw, kradzieży, tworzenia napięć społecznych i zagrażać bezpieczeństwu kraju.
Dodatkowym aspektem projektu jest wykorzystanie impulsowych sieci neuronowych (Spiking Neural Networks), które są inspirowane działaniem ludzkiego układu nerwowego, a ich zastosowanie znacząco przybliża nas do bardziej efektywnego i biologicznie spójnego sposobu interpretacji sygnałów audiowizualnych. Sieci neuromorficzne mają kilka istotnych zalet w porównaniu z tradycyjnymi sieciami neuronowymi, które mogą być skutecznie wykorzystywane w wykrywaniu treści Deep Fake. Asynchroniczne działanie, odporność na szumy i zakłócenia danych oraz efektywność energetyczna umożliwiają stworzenie efektywnego detektora fałszywych treści.