Zusammenfassung
Die Multimedia-Forensik ermöglicht Untersuchung von Spuren in digitalen Medieninhalten, um Authentizität und Ursprung der Inhalte zu ermitteln. Solche Verfahren können beispielsweise Journalisten bei der Faktenprüfung unterstützen. Im Zuge der ,,KI- Revolution‘‘ der letzten Jahre werden auch in der Multimedia-Forensik zunehmend Verfahren entwickelt, die neuronale Netze mit Deep Learning (DL) nutzen. DL- Methoden überzeugen zwar im Allgemeinen durch eine hohe Leistungsfähigkeit, sie sind aber recht fehleranfällig für sogenannte Out-of-Distribution (OoD)-Eingaben, das sind Eingaben außerhalb des Trainingsbereichs der Methode. Für einen Analysten ist diese Art von Fehler schwierig festzustellen, da neuronale Netzen häufig Antworten erzeugen, die vorgeblich sehr sicher sind, obwohl die Eingabe eigentlich unbekannt ist. Bayes’sche Neuronale Netze (BNNs) können hier eine zuverlässigere Alternative darstellen. Die Unsicherheit einer Vorhersage ist in BNNs ein direkt nutzbares Nebenprodukt der probabilistischen Modellierung. Ein Analyst kann OoD-Eingaben über das Unsicherheitsmaß erkennen und geeignete Folgemaßnahmen ergreifen.
This is a preview of subscription content, log in via an institution to check access.
Literatur
A. Ramesh, P. Dhariwal, A. Nichol, C. Chu, and M. Chen, “Hierarchical text-conditional image generation with clip latents,” arXiv preprint arXiv:2204.06125, 2022.
M. K. Johnson and H. Farid, “Exposing digital forgeries by detecting inconsistencies in lighting,” in Proceedings of the 7th Workshop on Multimedia and Security, 2005, pp. 1–10.
J. Lukas, J. Fridrich, and M. Goljan, “Digital Camera Identification from Sensor Pattern Noise,” IEEE Transactions on Information Forensics and Security, vol. 1, no. 2, pp. 205–214, Juni 2006.
T. Bianchi und A. Piva, “Image Forgery Localization via Block-Grained Analysis of JPEG Artifacts”, IEEE Transactions on Information Forensics and Security, vol. 7, no. 3, pp. 1003-1017, Juni 2012.
W. Wang and H. Farid, “Exposing digital forgeries in interlaced and deinterlaced video,” IEEE Transactions on Information Forensics and Security, vol. 2, no. 3, pp. 438–449, 2007.
B. Bayar und M. C. Stamm, “Constrained convolutional neural networks: A new approach towards general purpose image manipulation detection,” IEEE Trans. on Inf. Forensics and Security, vol. 13, no. 11, pp. 2691–2706, 2018.
J. Frank, T. Eisenhofer, L. Schonherr, A. Fischer, D. Kolossa, and T. Holz, “Leveraging Frequency Analysis for Deep Fake Image Recognition,” in International Conference on Machine Learning, 2020, pp. 3247–3258.
L. Bondi, E. Cannas, P. Bestagini, S. Tubaro, “Training Strategies and Data Augmentations in CNN-based DeepFake Video Detection”, IEEE Workshop on Information Forensics and Security, 2020.
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
About this article
Cite this article
Maier, A., Riess, C. Zuverlässigkeit von KI in der Multimedia-Forensik. Datenschutz Datensich 47, 215–219 (2023). https://doi.org/10.1007/s11623-023-1748-2
Published:
Issue Date:
DOI: https://doi.org/10.1007/s11623-023-1748-2