Mapeamento da Detecção de Deepfakes
um trabalho terminológico
DOI:
https://doi.org/10.36311/1981-1640.2022.v16.e02153Palavras-chave:
Desinformação., Redes Adversariais Generativas (GAN)., Organização do Conhecimento., Terminologia., Deep-fakes.Resumo
Os documentos audiovisuais gerados/modificados artificialmente, denominados deepfakes, podem ser usados para propagar desinformação e, em sentido contrário, existem pesquisas voltadas para sua detecção. A fim de promover um mapeamento do domínio para detecção de deepfakes, coloca-se como uma possibilidade a análise de bibliografia (seleção de termos/conceitos) na interdisciplinaridade Organização do Conhecimento, Terminologia e Arquitetura da Informação. Os objetivos são: realizar mapeamento terminológico do domínio da detecção de deepfakes e verificar possibilidades de relação teórica do aporte interdisciplinar selecionado. O método indutivo foi selecionado para levantamento bibliográfico e mapeamento do domínio a partir de uma pesquisa exploratório-descritiva de abordagem qualitativa aplicada à bibliografia recuperada. O aporte teórico foi analisado sob uma perspectiva qualitativa, reflexiva e crítica. O levantamento bibliográfico se deu nas bases Web of Science, Scopus (Elsevier) e Association for Computing Machinery. O recorte teórico-epistemológico demonstrou possibilidades de aplicação em domínios-web. Foram identificadas 22 publicações em artigos de periódicos, expondo contexto e propostas de detecção de deep-fakes e outras técnicas de detecção de manipulação/geração artificial de documentos audiovisuais resultando em lista com 78 termos candidatos. Conclui-se que há necessidade de novos estudos na área pois os resultados apontaram para um domínio mais amplo do que apenas uso de técnicas deepfake com uso de GAN (Generative Adversarial Networks).
Downloads
Referências
Araújo, Carlos Alberto Ávila. “Novos desafios epistemológicos para a Ciência da Informação.” Palabra Clave (La Plata), vol. 10, no. 2, Apr./Sep. 2021, pp. 1-15. https://www.palabraclave.fahce.unlp.edu.ar/article/view/PCe116/13767. Acessado 06 jul. 2022.
Baek, Jae-Young. Yoo, Young-Sang. Bae, Seung-Hwan. “Generative adversarial ensemble learning for face forensics.” IEEE Access, vol. 8, Mar. 2020, pp. 45421-45431. https://doi.org/10.1109/ACCESS.2020.2968612. Acessado 06 jul. 2022.
Baldinger, Kurt. “Semasiologia e onomasiologia.” ALFA: Revista de Linguística, vol. 9, 2001, pp. 7-36. https://periodicos.fclar.unesp.br/alfa/article/view/3265. Acessado 06 jul. 2022.
Bradshaw, Samantha. Howard, Philip N. “The global disinformation order: 2019. Global inventory of organized social media manipulation.” The Computational Propaganda Project at the Oxford Internet Institute, 2019, pp. 1-23. https://demtech.oii.ox.ac.uk/wp-content/uploads/sites/93/2019/09/CyberTroop-Report19.pdf. Acessado 06 jul. 2022.
Capurro, Rafael. Hjørland, Birger. “O conceito de informação.” Perspectivas em Ciência da Informação, vol. 12, no. 1, Jan./Apr. 2007, pp. 148-207. http://portaldeperiodicos.eci.ufmg.br/index.php/pci/article/view/54/47. Acessado 06 jul. 2022.
Chintha, Akash, et al. “Recurrent convolutional structures for audio spoof and video deepfake detection.” IEEE Journal of Selected Topics in Signal Processing, vol. 14, no. 5, Aug. 2020, pp. 1024-1037. https://doi.org/10.1109/JSTSP.2020.2999185. Acessado 06 jul. 2022.
Echizen, Isao, et al. “Generation and Detection of media clones.” IEICE Transactions on Information and Systems, vol. 104, no. 1, Jan. 2021, pp. 12-23. https://doi.org/10.1587/transinf.2020MUI0002 Acessado 06 jul. 2022.
Fernando, Tharindu, et al. “Detection of fake and fraudulent faces via neural memory networks.” IEEE Transactions on Information Forensics and Security, vol. 16, Dec. 2020, pp. 1973-1988. https://doi.org/10.1109/TIFS.2020.3047768 Acessado 06 jul. 2022.
Froehlich, Thomas J. “Ten lessons for the age of disinformation.” Navigating fake news, alternative facts, and misinformation in a post-truth world, 2020, pp. 36-88. IGI Global. https://www.igi-global.com/book/navigating-fake-news-alternative-facts/236998. Acessado 06 jul. 2022.
Gil, Antônio Carlos. Métodos e técnicas de pesquisa social. Atlas, 2008.
Golub, Koraljka, et al. “Terminology registries for knowledge organization systems: Functionality, use, and attributes.” Journal of the Association for Information Science and Technology, vol. 65, no. 9, 2014, pp. 1901-1916. Wiley, https://doi.org/10.1002/asi.23090. Acessado 06 jul. 2022.
Gomes, Hagar Espanha. “Marcos históricos e teóricos da organização do conhecimento.” Informação & Informação, vol. 22, no. 2, 29 Oct. 2017, pp. 33-66. http://dx.doi.org/10.5433/1981-8920.2017v22n2p33. Acessado 06 jul. 2022.
Gong, Dafeng, et al. “Deepfake forensics, an ai-synthesized detection with deep convolutional generative adversarial networks.” International Journal of Advanced Trends in Computer Science and Engineering, vol. 9, no. 3, 25 Jun. 2020, pp. 2861-2870. Warse, https://doi.org/10.30534/ijatcse/2020/58932020. Acessado 06 jul. 2022.
Greengard, Samuel. “Will deepfakes do deep damage?” Communications of the ACM, vol. 63, no. 1, Jan. 2020, pp. 17-19. https://dl.acm.org/doi/10.1145/3371409 Acessado 06 jul. 2022.
Guarnera, Luca. Giudice, Oliver. Battiato, Sebastiano. “Fighting deepfake by exposing the convolutional traces on images.” IEEE Access, vol. 8, Sep. 2020, pp. 165085-165098. https://doi.org/10.1109/ACCESS.2020.3023037 Acessado 06 jul. 2022.
Guo, Zhiqing, et al. “Fake face detection via adaptive manipulation traces extraction network.” Computer Vision and Image Understanding, vol. 204, 21 Jan. 2021, pp. 1-12. Scopus (Elsevier), https://doi.org/10.1016/j.cviu.2021.103170 Acessado 06 jul. 2022.
Hashmi, Mohammad Farukh, et al. “An exploratory analysis on visual counterfeits using Conv-LSTM hybrid architecture.” IEEE Access, vol 8, May 2020, pp. 101293-101308. https://doi.org/10.1109/ACCESS.2020.2998330. Acessado 06 jul. 2022.
Hjørland, Birger. “Semantics and knowledge organization.” Annual Review of Information Science and Technology, vol. 41, 2007, p. 367-405. WILEY, https://doi.org/10.1002/aris.2007.1440410115 Acessado 06 jul. 2022.
Jung, Tachkyun. Kim, Sangwon. Kim, Keecheon. “DeepVision: deepfakes detection using human eye blinking pattern.” IEEE Access, vol. 8, Apr. 2020, pp. 83144-83154. https://doi.org/10.1109/ACCESS.2020.2988660 Acessado 06 jul. 2022.
Kemp, Simon. “Digital 2021: Global Overview Report.” Data Reportal, We Are Social, Hootsuite, 27 Jan. 2021. KEPIOS, https://datareportal.com/reports/digital-2021-global-overview-report Acessado 06 jul. 2022.
Kohli, Aditi. Gupta, Abhinav. “Detecting deepfake, FaceSwap and Face2Face facial forgeries using frequency CNN.” Multimedia Tools and Applications, 18 Feb. 2021, pp. 1-18. Springer, https://doi.org/10.1007/s11042-020-10420-8 Acessado 06 jul. 2022.
Lemos, Daniela Lucas da Silva. Souza, Renato Rocha. “Knowledge organization systems for the representation of multimedia resources on the web: a comparative analysis.” Knowledge Organization, vol. 47, no. 4, 2020, pp. 300-319. Nomos e-Library, https://doi.org/10.5771/0943-7444-2020-4-300. Acessado 06 jul. 2022.
Li, Defang, et al. “A novel attribute-based generation architecture for facial image editing.” Multimedia Tools and Applications, vol. 80, no. 4, 1 Feb. 2021, pp. 4881-4902. https://doi.org/10.1007/s11042-020-09858-7. Acessado 06 jul. 2022.
Li, Haodong, et al. “Identification of deep network generated images using disparities in color components.” Signal Processing, vol. 174, Sep. 2020, pp. 1-12. Scopus (Elsevier), https://doi.org/10.1016/j.sigpro.2020.107616. Acessado 06 jul. 2022.
Li, Xiaodan, et al. “Sharp multiple instance learning for deepfake video detection.” Proceedings of the 28th ACM International Conference on Multimedia, 12 Oct. 2020. Association for Computing Machinery, http://doi.org/10.1145/3394171.3414034. Acessado 06 jul. 2022.
Maimone, Giovana Deliberali. “Informação e conhecimento: insumos para o trabalho organizativo em ciência da informação.” Informação & Informação, vol. 25, no. 3, 31 Oct. 2020, pp. 423-436. https://doi.org/10.5433/1981-8920.2020v25n3p423. Acessado 06 jul. 2022.
Maimone, Giovana Deliberali. Organização da informação e do conhecimento de documentos artísticos à luz da terminologia, 2013, University of São Paulo, DSc dissertation. https://doi.org/10.11606/T.27.2013.tde-23082013-112839. Acessado 06 jul. 2022.
Mazzocchi, Fulvio. “Knowledge organization system (KOS)”. Knowledge Organization, vol. 45, no. 1, 2018, pp. 54-78. Also available in ISKO Encyclopedia of Knowledge Organization, eds. Birger Hjørland and Claudio Gnoli, http://www.isko.org/cyclo/kos. Acessado 06 jul. 2022.
Mi, Zhongjie, et al. “GAN-Generated image detection with self-attention mechanism against GAN generator defect.” IEEE Journal of Selected Topics in Signal Processing, vol. 14, no. 5, 14 May 2020, pp. 969-981. https://doi.org/10.1109/JSTSP.2020.2994523. Acessado 06 jul. 2022.
Nadeem, Muhammad Shahroz, et al. “A Survey of deep learning solutions for multimedia visual content analysis.” IEEE Access, vol. 7, 24 Jun. 2019, pp. 84003-84019. https://doi.org/10.1109/ACCESS.2019.2924733. Acessado 06 jul. 2022.
Neves, João C., et al. “GANprintR: improved fakes and evaluation of the state of the art in face manipulation detection.” IEEE Journal of Selected Topics in Signal Processing, vol. 14, no. 5, 6 Jul. 2020, pp. 1038-1048. https://doi.org/10.1109/JSTSP.2020.3007250. Acessado 06 jul. 2022.
Nguyen, Xuan Hau, et al. “Learning spatio-temporal features to detect manipulated facial videos created by the deepfake techniques.” Forensic Science International: Digital Investigation, vol. 36, Mar. 2021, pp. 1-8. Scopus (Elsevier), https://doi.org/10.1016/j.fsidi.2021.301108. Acessado 06 jul. 2022.
Oxford Languages. Oxford Word of the Year 2016. Oxford University Press, 2016. https://languages.oup.com/word-of-the-year/2016/. Acessado 06 jul. 2022.
Qi, Hua, et al. “DeepRhythm: exposing deepfakes with attentional visual heartbeat rhythms. Proceedings of the 28th ACM International Conference on Multimedia.” Proceedings of the 28th ACM International Conference on Multimedia, 12 Oct. 2020. Association for Computing Machinery, https://doi.org/10.48550/arXiv.2006.07634. Acessado 06 jul. 2022.
Rocha, Carin Cunha. Pinto, Virgínia Bentes. David, Priscila Barros. “Arquitetura da informação: revisão integrativa em bases de dados de ciência da informação.” Informação & Informação, vol. 25, no. 2, Jul. 2020, pp. 49-73. http://dx.doi.org/10.5433/1981-8920.2020v25n2p49. Acessado 06 jul. 2022.
Souza, Ligiane A., et al. “The Role of Gazetteers in Geographic Knowledge Discovery on the Web.” Proceedings of the Third Latin American Web Congress, 2005, pp. 157-165.
Taheri, Shayan, et al. “Developing a robust defensive system against adversarial examples using generative adversarial networks.” Big Data and Cognitive Computing, vol. 4, no. 2, 22 May 2020, pp. 1-15. MDPI, https://doi.org/10.3390/bdcc4020011. Acessado 06 jul. 2022.
Tolosana, Ruben, et al. “Deepfakes and beyond: a survey of face manipulation and fake detection.” Information Fusion, vol. 64, Dec. 2020, pp. 131-148. Scopus (Elsevier), https://doi.org/10.1016/j.inffus.2020.06.014. Acessado 06 jul. 2022.
Vidotti, Silvana Aparecida Borsetti Gregorio, et al. “Web, Web Semântica e Web Pragmática: um posicionamento da Arquitetura da Informação.” Informação & Sociedade: Estudos, vol 29, no. 1, Jan./Mar. 2019, pp. 195-214. https://periodicos.ufpb.br/ojs/index.php/ies/article/view/44358. Acessado 06 jul. 2022.
Zhang, Kejun, et al. “No one can escape: a general approach to detect tampered and generated image.” IEEE Access, vol. 7, 23 Sep. 2019, pp. 129494-129503. https://doi.org/10.1109/ACCESS.2019.2939812. Acessado 06 jul. 2022.
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2022 Gabriel Meneguelli Soella, Giovana Deliberali Maimone
Este trabalho está licenciado sob uma licença Creative Commons Attribution-ShareAlike 4.0 International License.
Ao submeter um artigo os autores mantêm os direitos autorais do mesmo, cedendo ao Brazilian Journal of Information Science plenos direitos para publicação do referido texto.
O (s) autor (es) concorda(m) que o artigo, se aceito editorialmente para publicação, deve ser licenciado sob a licença Creative Commons Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) (http://creativecommons.org/licenses/by-sa /4.0) Os leitores / usuários são livres para: - Compartilhar - copiar e redistribuir o material em qualquer meio ou formato - Adaptar - remixar, transformar e desenvolver o material para qualquer finalidade, mesmo comercialmente. O licenciante não pode revogar essas liberdades desde que você siga os termos da licença. Sob os seguintes termos: - Atribuição - Você deve dar o crédito apropriado, fornecer um link para a licença e indicar se foram feitas alterações. Você pode fazê-lo de qualquer maneira razoável, mas não de maneira que sugira que o licenciante endossa você ou seu uso. - ShareAlike - Se você remixar, transformar ou desenvolver o material, deverá distribuir suas contribuições sob a mesma licença que o original. Sem restrições adicionais - Você não pode aplicar termos legais ou medidas tecnológicas que restrinjam legalmente outras pessoas a fazer o que a licença permitir. Avisos: - Você não precisa cumprir a licença para elementos do material em domínio público ou nos casos em que seu uso é permitido por uma exceção ou limitação aplicável. - Não há garantias. A licença pode não fornecer todas as permissões necessárias para o uso pretendido. Por exemplo, outros direitos, como publicidade, privacidade ou direitos morais, podem limitar a maneira como você usa o material.
Creative Commons Attribution-ShareAlike 4.0 International License
