Оцінювання ефективності використання гібридних нейронних мереж для виявлення сфальсифікованої аудіоінформації в соціально орієнтованих системах
DOI:
https://doi.org/10.30837/2522-9818.2024.2.166Ключові слова:
аугментація сигналів; векторна авторегресія; класифікація; оброблення природних мов; фейкова інформація.Анотація
Предметом дослідження є проблема виявлення фальсифікованої інформації, зокрема в аудіоформаті, у соціально орієнтованих системах. Мета роботи – розроблення ефективної моделі для визначення факту підроблення звукових даних, яка основана на рекурентних і згорткових нейронних мережах із використанням технології MapReduce для паралелізації. У статті розв’язуються такі завдання: визначення особливостей аудіо в соціально орієнтованих системах; аналіз алгоритмів для передоброблення аудіоінформації як у перетвореному на текст вигляді, так і у вигляді сигналу; формування переліку цільових архітектур нейромереж та розкриття особливостей їх імплементації; експериментальна перевірка ефективності обраних підходів. Упроваджуються такі методи: аналітичний та індуктивний – для визначення цільового набору архітектур нейронних мереж; експертне оцінювання – для формування найбільш впливових факторів ефективності; експериментальний, багатокритеріального оцінювання та статистичні методи аугментації інформації – для визначення найбільш ефективної моделі. Досягнуті результати. Сформовано алгоритм передоброблення аудіоінформації для можливості застосування рекурентних і згорткових мереж. Імплементовано декілька підходів до класифікації інформації з використанням аугментації, основаної на векторній авторегресії та технології паралелізації MapReduce. Визначено, що найбільш ефективною моделлю, за сформованою задачею багатокритеріального вибору, є поєднання двоспрямованої рекуретної нейромережі з підтримкою короткочасної та довгострокової памʼяті із декількома згортковоми мережами. Показано переваги використання технології MapReduce для оптимізації часу навчання й передоброблення інформації та визначено набір відкритих питань для подальшого дослідження й прикладного впровадження. Висновки. Застосування аналітичного та індуктивного підходу з подальшим проведенням експериментальної перевірки дало змогу розробити ефективний (з точністю понад 96%) механізм виявлення сфабрикованої інформації як у вигляді сигналу, так і у текстовій формі. Досягнутий результат дає підстави стверджувати про доцільність упровадження запропонованого підходу, що зменшує вплив подібної інформації в соціально орієнтованих системах, особливо під час кризових явищ.
Посилання
Список літератури
Anders M. Fake News Detection. European Data Protection Supervisor. URL: https://edps.europa.eu/press-publications/publications/techsonar/fake-news-detection_en (дата звернення: 27.05.2024).
Real-Time Advanced Computational Intelligence for Deep Fake Video Detection / N. Bansal та ін. Applied Science. 2023. Vol. 13 (5). 3095 р. DOI: 10.3390/app13053095
A Signal Detection Approach to Understanding the Identification of Fake News / C. Batailler та ін. Perspectives on Psychological Science. 2023. Vol. 17 (1). Р. 78–98. DOI: 10.1177/1745691620986135
Reis J. Supervised Learning for Fake News Detection / J. C. S. Reis та ін. IEEE Explore. 2019. Vol. 34 (2). Р. 76–81. DOI: 10.1109/MIS.2019.2899143
Giandomenico D. D. Fake news, social media and marketing: A systematic review / D. D. Giandomenico та ін. Journal of Business Research. 2021. Vol. 124. Р. 329–341. DOI: 10.1016/j.jbusres.2020.11.037
Yuan L. Sustainable Development of Information Dissemination: A Review of Current Fake News Detection Research and Practice / L. Yuan та ін. Systems. 2023. Vol. 11 (9). 458 р. DOI: 10.3390/systems11090458
The impact of fake news on social media and its influence on health during the COVID-19 pandemic / Y. M. Rocha та ін. Journal of Public Health. 2023. Vol. 31. Р. 1007–1016. DOI: 10.1007/s10389-021-01658-z
Alonso M. Dataset for multimodal fake news detection and verification tasks / A. Bondielli та ін. Data in Brief. 2024. Vol. 54. 110440 р. DOI: 10.1016/j.dib.2024.110440.
Tolosana R. Sentiment Analysis for Fake News Detection / Tolosana R. та ін. Electronics. 2021. Vol. 10 (11). 1348 р. DOI: 10.3390/electronics10111348
Afanasieva I. Deepfakes and beyond: A Survey of face manipulation and fake detection / Afanasieva I. та ін. Information Fusion. 2020. Vol. 64. Р. 131–148. DOI: 10.1016/j.inffus.2020.06.014
Afanasieva Nataliia Application of Neural Networks to Identify of Fake News / N. Afanasieva та ін. Computational Linguistics and Intelligent Systems, Kharkiv, 20–21 квітня 2023 р. 2023. 3396 р. URL: https://ceur-ws.org/Vol-3396/paper28.pdf (дата звернення: 27.05.2024)
Bhatia Т. Using transfer learning, spectrogram audio classification, and MIT app inventor to facilitate machine learning understanding. Massachusetts Institute of Technology. URL: https://dspace.mit.edu/handle/1721.1/127379 (дата звернення: 27.05.2024).
Breuer A., Eilat R., Weinsberg U. Friend or Faux: Graph-Based Early Detection of Fake Accounts on Social Networks. Web Conference, Taipei, 20–24 квіт. 2023. Р. 1287–1297. DOI: 10.1145/3366423.3380204
Xia T., Chen X. A. Discrete Hidden Markov Model for SMS Spam Detection. Applied Science. 2020. Vol. 10 (14). 5011 р. DOI: 10.3390/app10145011
Najar F., Zamzami N., Bouguila S. Fake News Detection Using Bayesian Inference. Information Reuse and Integration for Data Science, Los Angeles, 30 черв. – 1 серп. 2019. Р. 389–394. DOI: 10.1109/IRI.2019.00066
Montserrat D. Generative Autoregressive Ensembles for Satellite Imagery Manipulation Detection / D. M. Montserrat та ін. Workshop on Information Forensics and Security, New York, 6–11 груд. 2020. Р. 1–6. DOI: 10.1109/WIFS49906.2020.9360909
Ning C., You F. Optimization under uncertainty in the era of big data and deep learning: When machine learning meets mathematical programming. Computers & Chemical Engineering. 2019. Vol. 125. Р. 434–448. DOI: 10.1016/j.compchemeng.2019.03.034
Sardar T. H., Ansari Z. An Analysis of Distributed Document Clustering Using MapReduce Based K-Means Algorithm. Journal of The Institution of Engineers (India):Series B. 2020. Vol. 101. Р. 641–650. DOI: 10.1007/s40031-020-00485-2
Deng R., Duzhin, F. Topological Data Analysis Helps to Improve Accuracy of Deep Learning Models for Fake News Detection Trained on Very Small Training Sets. Big Data and Cognitive Computing. 2022. Vol. 6 (3). 74 р. DOI: 10.3390/bdcc6030074
Choudhary A., Arora A. Linguistic feature based learning model for fake news detection and classification. Expert Systems with Applications. 2021. Vol. 169. 114171 р. DOI: 10.1016/j.eswa.2020.114171
Khovrat A. Parallelization of the VAR Algorithm Family to Increase the Efficiency of Forecasting Market Indicators During Social Disaster / A. Khovrat та ін. Information Technology and Implementation, м. Kyiv, 30 лист. – 2 груд. 2022. Р. 222–233. URL: https://ceur-ws.org/Vol-3347/Paper_19.pdf (дата звернення: 27.05.2024).
References
Anders M. "Fake News Detection. European Data Protection Supervisor", available at: https://edps.europa.eu/press-publications/publications/techsonar/fake-news-detection_en (last accessed 27.05.2024).
Bansal, N., Aljrees, T., Yadav, D. P., Singh, K. U., Kumar, A., Verma, G. K., Singh, T. (2023), "Real-Time Advanced Computational Intelligence for Deep Fake Video Detection", Applied Science, No. 13(5), 3095 р. DOI: 10.3390/app13053095
Batailler, C., Brannon, S. M., Teas, P. E., Gawronski, B. (2023), "A Signal Detection Approach to Understanding the Identification of Fake News", Perspectives on Psychological Science, No. 17(1), P. 78–98. DOI: 10.1177/1745691620986135
Reis, J. C. S., Correia, A., Murai, F., Veloso, A., Benevenuto, F. (2019), "Supervised Learning for Fake News Detection", IEEE Intelligent Systems, No. 34(2), P. 76–81. DOI: 10.1109/MIS.2019.2899143
Giandomenico, D. D., Sit, J., Ishizaka, A., Nunan, D. (2021), "Fake news, social media and marketing: A systematic review", Journal of Business Research, Vol. 124, P. 329–341. DOI: 10.1016/j.jbusres.2020.11.037
Yuan, L., Jiang, H., Shen, H., Shi, L., Cheng, N. (2023), "Sustainable Development of Information Dissemination: A Review of Current Fake News Detection Research and Practice", Systems, No. 11(9), 458 р. DOI: 10.3390/systems11090458
Rocha, Y. M., de Moura, G. A., Desiderio, G. A., de Oliveira, C. H., Lourenço, F. D., de Figueiredo Nicolete, L. D. (2023), "The impact of fake news on social media and its influence on health during the COVID-19 pandemic: a systematic review", Journal of Public Health, Vol. 31, P. 1007–1016. DOI: 10.1007/s10389-021-01658-z
Alonso, M. A., Vilares, D., Gómez-Rodríguez, C., Vilares, J. (2021), "Sentiment Analysis for Fake News Detection", Electronics, No. 10(11), 1348 р. DOI: 10.3390/electronics10111348
Tolosana, R., Vera-Rodriguez, R., Fierrez, J., Morales, A., Ortega-Garcia, J. (2020), "Deepfakes and beyond: A Survey of face manipulation and fake detection", Information Fusion, Vol. 64, P. 131–148. DOI: 10.1016/j.inffus.2020.06.014
Afanasieva, I., Golian, N., Golian, V., Khovrat, A., Onyshchenko, K. (2023), "Application of Neural Networks to Identify of Fake News". Computational Linguistics and Intelligent Systems (COLINS 2023): 7th International Conference, Kharkiv, 20 April – 21 April 2023: CEUR workshop proceedings, No. 3396, P. 346–358, available at: https://ceur-ws.org/Vol-3396/paper28.pdf (last accessed: 27.05.2023).
Afanasieva Nataliia Application of Neural Networks to Identify of Fake News (2023), / N. Afanasieva et al. Computational Linguistics and Intelligent Systems, Kharkiv, 20–21.04.2023. 3396 р. available at: https://ceur-ws.org/Vol-3396/paper28.pdf (last accessed: 27.05.2024)
Bhatia, N. (2020), "Using transfer learning, spectrogram audio classification, and MIT app inventor to facilitate machine learning understanding", Massachusetts Institute of Technology, available at: https://dspace.mit.edu/handle/1721.1/127379
(last accessed 27.05.2024)
Breuer, A., Eilat, R., Weinsberg, U. (2023), "Friend or Faux: Graph-Based Early Detection of Fake Accounts on Social Networks", Web Conference, 20–24 April 2023, Taipei, P. 1287–1297. DOI: 10.1145/3366423.3380204
Xia, T., Chen, X. A. (2020), "Discrete Hidden Markov Model for SMS Spam Detection", Applied Science, Vol. 10 (14), 5011 р. DOI: 10.3390/app10145011
Najar, F., Zamzami, N., Bouguila, S. (2019), "Fake News Detection Using Bayesian Inference", Information Reuse and Integration for Data Science, 30 July – 1 August 2019, Los Angeles, P. 389–394. DOI: 10.1109/IRI.2019.00066
Montserrat, D. M., Horváth, J., Yarlagadda, S. K., Zhu, F., Delp, E. J. (2020), "Generative Autoregressive Ensembles for Satellite Imagery Manipulation Detection". Workshop on Information Forensics and Security (WIFS 2020): 12th IEEE International Workshop, New York, 6 December – 11 December 2020: IEEE, P. 1–6. DOI: 10.1109/WIFS49906.2020.9360909
Ning, C., You, F. (2019), "Optimization under uncertainty in the era of big data and deep learning: When machine learning meets mathematical programming", Computers & Chemical Engineering, Vol. 125, P. 434–448. DOI: 10.1016/j.compchemeng.2019.03.034
Sardar, T. H., Ansari, Z. (2020), "An Analysis of Distributed Document Clustering Using MapReduce Based K-Means Algorithm", Journal of The Institution of Engineers (India): Series B, Vol. 101, P. 641–650. DOI: 10.1007/s40031-020-00485-2
Deng, R., Duzhin, F. (2022), "Topological Data Analysis Helps to Improve Accuracy of Deep Learning Models for Fake News Detection Trained on Very Small Training Sets", Big Data and Cognitive Computing, Vol. 6 (3), 74 р. DOI: 10.3390/bdcc6030074
Choudhary, A., Arora, A. (2021), "Linguistic feature based learning model for fake news detection and classification", Expert Systems with Applications, Vol. 169, Article 114171. DOI: 10.1016/j.eswa.2020.114171
Khovrat, A., Kobziev, V., Nazarov, A., Yakovlev, S. (2022), "Parallelization of the VAR Algorithm Family to Increase the Efficiency of Forecasting Market Indicators During Social Disaster". Information Technology and Implementation (IT&I 2022): 9th Internaional Conference, Kyiv, 30 November – 2 December 2022: CEUR Workshop Proceedings. No. 3347, P. 222–233, available at: https://ceur-ws.org/Vol-3347/Paper_19.pdf (last accessed: 27.05.2024).
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Наше видання використовує положення про авторські права Creative Commons для журналів відкритого доступу.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License (CC BY-NC-SA 4.0), котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
Автори мають право укладати самостійні додаткові угоди щодо не комерційного та не ексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису опублікованої роботи, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи.
