|
|
עמוד:12
איום מזויף או אמיתי ? דיפ-פייק והאתגרים לביטחון הלאומי / לירן ענתבי בהשתתפות נועם רחמים 12 לנסות לשפר אותה ותנסה שוב ליצור תמונה . היא תיצור תמונה חדשה שונה מעט מקודמתה : פנים שונות, שיער אחר וכדומה . אם הרשת הדיסקרימינטורית טעתה וחשבה שהתמונה המזויפת היא בעצם תמונה אמיתית, סימן שהתמונה לא טובה מספיק, ולכן המערכת תשחק עם הקשרים בין הנוירונים של הרשת הדיסקרימינטורית ותנסה לשפר ולחדד את יכולת ההבחנה שלה . תהליך זה נמשך בלולאה : הרשתות ממשיכות להתחרות זו בזו, לעיתים קרובות במשך אלפי או מיליוני חִזְרוּרים ( איטרציות ) . בכל סיבוב שתי הרשתות ישתפרו בהדרגה עד התוצאה הרצויה, והיא שהרשת הדיסקרימינטורית תטעה בזיהוי התמונה המזויפת במחצית מהמקרים . בסיום האימון אפשר לפרק את מערכת GAN-ה ולשלוף ממנה את הרשת הגנרטיבית — שכן מטרת האימון היא ליצור רשת גנרטיבית טובה שאפשר יהיה להשתמש בה לתכליות נוספות ( 2014 , . Citron & Chesney, 2019 ; Goodfellow et al ) . רשתות יריבות יוצרות משתנה אקראי לא קבוע ) לטנטי ( תמונות מהעולם האמיתי הרשת הרשת היוצרת הדיסקרימינטורית דוגמה דוגמה אמיתי או פונקציית ההפסד מזויף עד כמה הייתה קרובה למציאות לשיטת GAN יש יתרון משמעותי — אימון רשתות הנוירונים ללא מעורבות אנושית — מה שמכונה ״לימוד לא מפוקח״ ( unsupervised training ) . כל ההחלטות של המערכת וכל התיקונים והשינויים ברשתות הנוירונים עצמן נעשים באופן עצמאי לחלוטין, ואין צורך באדם שיתערב בתהליך ויתייג כל תמונה כמזויפת או אותנטית ( 2016 , . Salimans et al ) . בשימוש GANs-ב כמעט בלתי אפשרי להבחין בעין אנושית לא מאומנת בין אמת לשקר, אולם השימוש GANs-ב מצריך כמות עצומה של נתוני אימון, והוא יעיל ליצירת תמונות סינתטיות ולא סרטונים . עם זאת, ההערכה הרווחת בקרב מומחים היא כי GANs יהיו המנוע העיקרי לפיתוח דיפ-פייק מתוחכם בעתיד ( Adee, 2020 ) .
|
|