論文の概要: DeepFake Forensics AI: A Multi-Modal Detection and Blockchain-Anchored Evidence Management Platform

• arxiv url: http://arxiv.org/abs/2605.29353v1
• Date: Thu, 28 May 2026 04:47:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 00:00:30.943571
• Title: DeepFake Forensics AI: A Multi-Modal Detection and Blockchain-Anchored Evidence Management Platform
• Title（参考訳）: DeepFake Forensics AI: マルチモーダル検出とブロックチェーン対応のエビデンス管理プラットフォーム
• Authors: Naisha Minnah,
• Abstract要約: 私たちはDeepFake Forensics AIを紹介します。画像、ビデオ、オーディオのモダリティを越えて合成メディアを検出する統合プラットフォームです。 我々のシステムは、4つの独立したニューラルネットワークをゼロからトレーニングし、ブロックチェーン上の法医学的証拠を不変にアンカーする。 私たちの知る限り、これはブロックチェーンベースのチェーン・オブ・キード管理とマルチモーダルなディープフェイク検出を統合する最初のシステムです。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The proliferation of AI-generated synthetic media poses a critical threat to the integrity of digital evidence in legal and forensic contexts. Existing deepfake detection systems typically address a single modality and provide no mechanism for tamper-proof evidence preservation. We present DeepFake Forensics AI, a unified platform that detects synthetic media across image, video, and audio modalities, identifies generative architecture fingerprints, and anchors forensic evidence immutably on the Ethereum blockchain. Our system trains four independent neural networks from scratch: an EfficientNet-B4 image detector (AUC = 0.9868), a Bidirectional LSTM video detector (AUC= 0.9628), an ECAPA-TDNN audio detector (EER = 18.63%), and a novel GAN fingerprinting module (accuracy = 99.88%) that identifies the generative architecture behind a fake image. Evidence files are hashed with SHA-256, stored on IPFS via Pinata, and registered on-chain via a Solidity smart contract with role-based access control. The platform provides a React frontend and FastAPI backend suitable for deployment in forensic and legal workflows. To our knowledge, this is the first system to unify multi-modal deepfake detection with blockchain-based chain-of custody management.
• Abstract（参考訳）: AI生成合成メディアの普及は、法的および法医学的文脈におけるデジタル証拠の完全性に重大な脅威をもたらす。 既存のディープフェイク検出システムは、通常、単一のモダリティに対処し、タンパー保護エビデンスを保存するためのメカニズムを提供しない。 DeepFake Forensics AIは、画像、ビデオ、オーディオモダリティにわたる合成メディアを検出し、生成アーキテクチャの指紋を特定し、Ethereumブロックチェーン上で不変な法医学的エビデンスをアンカーする統合プラットフォームである。 我々のシステムは、スクラッチから4つの独立したニューラルネットワークを訓練する: 効率的なNet-B4イメージ検出器(AUC = 0.9868)、双方向LSTMビデオ検出器(AUC = 0.9628)、ECAPA-TDNNオーディオ検出器(EER = 18.63%)、新しいGANフィンガープリントモジュール(精度 = 99.88%)。 証拠ファイルはSHA-256でハッシュされ、Pinata経由でIPFSに格納され、ロールベースのアクセス制御を備えたSolidityスマートコントラクトを介してオンチェーンで登録される。 このプラットフォームは、法医学および法的ワークフローへのデプロイメントに適したReactフロントエンドとFastAPIバックエンドを提供する。 私たちの知る限り、これはブロックチェーンベースのチェーン・オブ・キード管理とマルチモーダルなディープフェイク検出を統合する最初のシステムです。

関連論文リスト

• Attribution-Guided Multimodal Deepfake Detection via Cross-Modal Forensic Fingerprints [4.598350938853635]
  ビデオの偽造方法を特定することができない検出器は、間違ったシグナルを学習している可能性が高い、と私たちは主張する。 二分検出とは異なり、帰属誘導学習は共有埋め込み空間に強い幾何学的制約を課す。 本稿では,属性検出と属性抽出を共同で学習する属性誘導型マルチモーダルディープフェイク検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-29T09:11:13Z)
• The Birthmark Standard: Privacy-Preserving Photo Authentication via Hardware Roots of Trust and Consortium Blockchain [0.0]
  既存の認証アプローチであるCoalition for Content Provenance and Authenticity (C2PA)は、画像ファイルに直接暗号的に署名されているが、重大な障害に悩まされている。 本研究では,Non-Uniformity correct(NUC)マップとPRNUパターンから製造・一様センサエントロピーを利用した認証アーキテクチャであるBirthmark Standardを提案する。 キャプチャ中に、カメラは、キーテーブルアーキテクチャを介してデバイスアイデンティティを公開することなく、センサーの信頼性を証明する匿名認証証明書を作成する。
  論文  参考訳（メタデータ） (2026-02-04T13:16:03Z)
• Provenance Verification of AI-Generated Images via a Perceptual Hash Registry Anchored on Blockchain [0.0]
  本稿では,レジストリベースの証明機構を用いて,AI生成画像の検証を行うブロックチェーン支援フレームワークを提案する。 提案システムは,すべての合成画像を普遍的に検出することではなく,生成時に登録されたAI生成コンテンツの証明に重点を置いている。
  論文  参考訳（メタデータ） (2026-02-02T18:13:09Z)
• Audio Deepfake Attribution: An Initial Dataset and Investigation [41.62487394875349]
  我々は、Audio Deepfake Attribution (ADA)と呼ばれるオーディオ生成ツールの属性に対する最初のディープフェイクオーディオデータセットを設計する。 オープンセットオーディオディープフェイク属性(OSADA)のためのクラス・マルチセンター学習(CRML)手法を提案する。 実験の結果,CRML法は実世界のシナリオにおけるオープンセットリスクに効果的に対処できることが示された。
  論文  参考訳（メタデータ） (2022-08-21T05:15:40Z)
• Audio-Visual Person-of-Interest DeepFake Detection [77.04789677645682]
  本研究の目的は、現実世界で遭遇する様々な操作方法やシナリオに対処できるディープフェイク検出器を提案することである。 我々は、対照的な学習パラダイムを活用して、各アイデンティティに対して最も識別しやすい、移動面と音声セグメントの埋め込みを学習する。 本手法は,シングルモダリティ(オーディオのみ,ビデオのみ)とマルチモダリティ(オーディオビデオ)の両方を検出でき,低品質・低画質ビデオに対して堅牢である。
  論文  参考訳（メタデータ） (2022-04-06T20:51:40Z)
• Spotting adversarial samples for speaker verification by neural vocoders [102.1486475058963]
  我々は、自動話者検証(ASV)のための敵対サンプルを見つけるために、ニューラルボコーダを採用する。 元の音声と再合成音声のASVスコアの違いは、真正と逆正のサンプルの識別に良い指標であることがわかった。 私たちのコードは、将来的な比較作業のためにオープンソースにされます。
  論文  参考訳（メタデータ） (2021-07-01T08:58:16Z)
• Emotions Don't Lie: An Audio-Visual Deepfake Detection Method Using Affective Cues [75.1731999380562]
  本稿では,実・偽のディープフェイクマルチメディアコンテンツを検出する学習手法を提案する。 我々は,同じビデオから2つのオーディオと視覚の類似性を抽出し,解析する。 我々は,いくつかのSOTAディープフェイク検出手法との比較を行い,DFDCでは84.4%,DF-TIMITデータセットでは96.6%の動画AUCを報告した。
  論文  参考訳（メタデータ） (2020-03-14T22:07:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。