Audıo deep fake detectıon usıng deep learnıng
Derin öğrenme kullanarak ses derin sahtekarı algılama
- Tez No: 952523
- Danışmanlar: Prof. Dr. REMZİ YILDIRIM
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Deepfake, Deepfake
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Ankara Yıldırım Beyazıt Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği ve Enformatik Bilimler Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Bilimi ve Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yapay zekâ teknikleri kullanılarak üretilen ses taklitler, bilgi güvenilirliği açısından ciddi bir tehdit oluşturmaktadır. Lojistik regresyon, kuadratik destek vektör makineleri (Q-SVM) ve destek vektör makineleri (SVM) gibi klasik makine öğrenmesi (ML) modellerinin yanı sıra, evrişimli sinir ağları (CNN) ve çift yönlü uzun-kısa süreli bellek (BiLSTM) gibi derin öğrenme (DL) yaklaşımlarını içeren mevcut tespit algılama yöntemleri kapsamlı ön işleme ve özellik çıkarmayı gerektirir ve bu da veri kümeleri arasında uyarlanabilirliği sınırlar. Bu çalışma, bu zorlukların üstesinden gelmek için yeni bir Siamese CNN tabanlı Ses Taklidi Algılama Modeli önermektedir. Model, gerçek ve sahte ses örneklerini paralel olarak işlemek için iki özdeş CNN dalı kullanır. Her bir dal, bir öz-dikkat modülü ve artık bağlantı içerir; çıkışlar, gerçek ve manipüle edilmiş ses sinyalleri arasındaki farkları belirlemek için karşıt kayıp fonksiyonu kullanılarak karşılaştırılır. Bu araştırma, literatür taraması, veri kümesi oluşturma, model geliştirme ve kapsamlı değerlendirmeyi içeren yapılandırılmış bir metodoloji izlemektedir. Önerilen model, dayanıklılığını ve etkinliğini sağlamak amacıyla klasik ML ve DL yöntemlerine karşı titizlikle test edilmiştir. Bu çalışma, Siamese CNN'lerinden yararlanarak mevcut kısıtlamaların ötesine geçen, doğruluk ve uyarlanabilirliği artıran gelişmiş bir algılama çerçevesi sunar. Beklenen katkılar arasında son teknoloji bir tespit modeli ve taklidi algılama iyileştirmeye yönelik değerli görüşler sağlayan kapsamlı bir karşılaştırmalı analiz yer almaktadır. Bu araştırma, ortaya çıkan taklit algılama tehditlerine karşı koymak için paydaşlara gelişmiş araçlar sağlayarak dijital ses içeriğinin bütünlüğünü güçlendirmektedir.
Özet (Çeviri)
Audio deepfakes, generated using AI techniques, pose a significant threat to information authenticity. Existing detection methods, including classical machine learning (ML) models such as logistic regression, quadratic support vector machine (Q-SVM), and support vector machines (SVM), as well as deep learning (DL) approaches like convolutional neural networks (CNNs) and bidirectional long short-term memory (BiLSTM), require extensive preprocessing and feature extraction, limiting adaptability across datasets. This study proposes a novel Siamese CNN-based Audio Deepfake Detection Model to address these challenges. The model employs two identical CNN branches to process real and fake audio samples in parallel. Each branch incorporates a self-attention module and a residual connection, with outputs compared using a contrastive loss function to identify differences between genuine and manipulated audio signals. The research follows a structured methodology encompassing literature review, dataset curation, model development, and extensive evaluation. The proposed model is rigorously tested against classical ML and DL counterparts to ensure its robustness and effectiveness. By leveraging Siamese CNNs, this study introduces an advanced detection framework that surpasses current limitations, enhancing accuracy and adaptability. The expected contributions include a state-of-the-art detection model and a comprehensive comparative analysis, providing valuable insights into improving deepfake detection. This research equips stakeholders with advanced tools to counteract emerging deepfake threats, reinforcing the integrity of digital audio content.
Benzer Tezler
- Öz denetimli öğrenme yaklaşımları ile derin sahte ses ve görüntü maniplasyonunun tespiti
Detection of deepfake audio and image manuplation with self-supervised learning approach
MERVE YILDIRIM
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. İLHAN AYDIN
- Sahte multimedya üretimi ve sahte multimedya tespiti
Fake multimedia generation and fake multimedia detection
MARAT UTEPKALIYEV
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMilli Savunma ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYTUĞ BOYACI
- Transformer-based deepfake detection methods
Görü dönüştürücü temelli derin sahte tespiti yöntemleri
GÖKHAN YILDIRIM
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BERK GÖKBERK
- Hiperparametre optimizasyonu destekli LSTM ve RNN tabanlı sezgisel algoritmalar ile deepfake ses tespiti
Deepfake audio detection using hyperparameter optimization–assisted LSTM- and RNN -based heuristic algorithms
TOLUN KELEŞ
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. İDİRİS DAĞ
- Haber kaynaklarındaki videoların derin sahteliğinin görüntü analizi ve metin doğrulaması için derin öğrenme yöntemlerinin kullanımı
Use of deep learning methods for image analysis and textverification of video deepfakes in news sources
NURCAN YARDIMCI
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BURHAN ERGEN