| Studiju veids |
maģistra akadēmiskās studijas |
| Studiju programmas nosaukums |
Informācijas tehnoloģija |
| Nosaukums |
Mašīnmācīšanas metožu izpēte DeepFake video automātiskajai noteikšanai |
| Nosaukums angļu valodā |
Study of Methods for Automatic Detection of Deepfake Videos |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Sergejs Paršutins |
| Recenzents |
Henrihs Gorskis |
| Anotācija |
Līdz ar mašīnmācīšanās attīstību pieaug deepfake video veidošanas apjomi un to kvalitāte. Tas ir kiberdrošības un vizuālā satura autentiskuma drauds interneta vidē, kas bieži nav nosakāms ar neapbruņotu aci. Līdz ar to pastāv manipulācijas un dezinformācijas riski sabiedrībā, kā arī darba jomās, kas balstās uz video satura autentiskumu.
Darba mērķis ir izpētīt un salīdzināt deepfake video automātiskajai noteikšanai pielietotas mašīnmācīšanas metodes un risinājumus. Darba autors ir veicis pieejamo metožu uzskaiti un izvirzījis kritērijus to atbilstības noteikšanai darbam. Balstoties uz piemērotākā risinājuma izvēli, darba gaitā ir izstrādāti vairāki modeļi video deepfake automātiskai noteikšanai pielietojot mašīnmācīšanos. Par modeļa izstrādes pamatu noteikts EfficientNetV2-S, kas izraudzīts tā ātrdarbības un precizitātes dēļ. Autors darbā noteicis kritērijus, kas pārbauda modeļa efektivitāti dažādu kopu sadalījumā, pielietojot attēlu maskas un pārbaudot precizitātes noturību 3 dažādās kompresijas pakāpes attēlos. Modeļu apmācība un testēšana notiek 2 autora izvēlētās deepfake datu kopās – FaceForensics++ un CelebDF-V2, kā arī 3. kopa, kas satur abu kopu datus. Darbā izveidots metožu efektivitātes novērtējuma plāns, pēc kura izvērtēts katrs no autora piedāvātajiem risinājumiem. Rezultātā izvērtēti 13 modeļi, 3 datu kopas un 3 pieejas, uzskaitītas to stiprās puses un vājības. Autors darbā secina, ka iegūti uzskatāmi un pēc literatūras analīzes pamatojami rezultāti. Darba noslēgumā apkopoti pētījumu galvenie secinājumi.
Maģistra darbā ir 72.lpp., 23 tabulas, 30 attēlus, 3 pielikumi un 75 izmantotie literatūras avoti. |
| Atslēgas vārdi |
Video deepfake, mašīnmācīšanās, neironu tīkli |
| Atslēgas vārdi angļu valodā |
Video deepfake, machine learning, neural networks |
| Valoda |
lv |
| Gads |
2025 |
| Darba augšupielādes datums un laiks |
26.05.2025 01:10:19 |
