ARNet: Equilibrando velocidade e precisão numa rede neural híbrida para a detecção de deepfakes
Deepfake; Aprendizado de máquina; Redes Neurais Convolucionais.
A funcionalidade proporcionada pelas técnicas de aprendizagem de máquina é um fator evidente na nossa sociedade. No entanto, à medida que a aprendizagem máquina evolui, também acarreta riscos significativos, especialmente quando estas tecnologias são utilizadas de forma inadequada. Um exemplo preocupante são os deepfakes, que foram originalmente desenvolvidos para promover a criatividade e a inovação em áreas como o cinema, a realidade virtual e as artes digitais. A tecnologia deepfake está sendo cada vez mais explorada para fins maliciosos, incluindo desinformação, fraude de identidade e o cibercrime. A rápida disseminação de conteúdos deepfake apresenta sérios desafios, destacando a necessidade de mecanismos de detecção robustos para mitigar os seus potenciais danos. Para enfrentar os desafios, este trabalho apresenta a ARNet (AlexNet & ResNet Network), uma rede neural convolucional (CNN) híbrida concebida para a detecção de deepfakes. A ARNet explora os pontos fortes das arquiteturas tradicionais AlexNet e ResNet: a eficiência computacional da AlexNet, que permite um treino e uma inferência mais rápidos, e a robustez contra o overfitting proporcionada pela aprendizagem residual da ResNet. O modelo proposto alcança uma maior precisão e reduz o tempo de detecção. Os resultados mostram que a ARNet supera as arquiteturas tradicionais, incluindo a AlexNet, a ResNet e a MobileNet, em vários conjuntos de dados e cenários de avaliação.