‘Syvät väärennökset’ voivat pian tulla maantieteelliseen tieteenalaan

Ongelmat ‘syvien väärennösten’ ympärillä alkavat laajentua muihin aloihin, kuten maantieteelliseen tieteenalaan (GIS). Binghamtonin yliopiston tutkijat ovat nyt aloittamassa tämän potentiaalisen ongelman ratkaisemista.

Tutkijaryhmään kuuluvat apulaisprofessori Chengbin Deng ja neljä muuta kollegaa, mukaan lukien Bo Zhao ja Yifan Sun Washingtonin yliopistosta, ja Shaozeng Zhang ja Chunxue Xu Oregonin osavaltion yliopistosta.

Uusi tutkimus on julkaistu Cartography and Geographic Information Science -lehdessä, ja sen otsikko on ”Syvät väärennökset maantieteessä? Kun geospaatiset tiedot kohtaavat tekoälyä”.

Tutkimuksessa ryhmä tutkii, miten väärennettyjä satelliittikuvia voidaan rakentaa ja havaita.

“Rehellisesti sanottuna, olemme luultavasti ensimmäiset, jotka tunnistavat tämän potentiaalisen ongelman”, Deng sanoi.

Maantieteellinen tieteenala (GIS) ja GeoAI

Maantieteellistä tieteenalaa (GIS) käytetään moniin eri sovelluksiin, mukaan lukien kansallinen puolustus ja autonomiset ajoneuvot. Geospaattisen tekoälyn (GeoAI) kehityksen myötä tekoälyteknologia on vaikuttanut alaan.

GeoAI käyttää koneoppimista geospaattisten tietojen analysointiin ja poistamiseen. Kuitenkin GeoAI voidaan myös käyttää väärentämään GPS-signaaleja, sijaintitietoja sosiaalisessa mediassa, valmistamaan valokuvia maantieteellisistä ympäristöistä ja moniin muihin vaarallisiin sovelluksiin.

“Meidän on pidettävä kaikkea tämän mukaisesti eettisyyden kanssa. Mutta samalla meidän tutkijoiden on myös kiinnitettävä huomiota ja löydettävä keino erottaa tai tunnistaa nämä väärennettyjä kuvia”, Deng sanoi. “Monien tietojoukkojen kanssa nämä kuvat voivat näyttää aidoilta ihmisen silmille.”

Väärennettyjen kuvien rakentaminen

Ensimmäinen askel väärennetyn kuvan havaitsemiseen on rakentaa sellainen, joten ryhmä luotti yleiseen tekniikkaan, jota kutsutaan syklisiksi vastakkaisiksi verkkoina (Cycle-Consistent Adversarial Networks, CycleGAN). CycleGAN on valvomaton syväoppimisalgoritmi, joka voi simuloida synteettistä mediaa.

Generatiiviset vastakkaiset verkkot (GAN), jotka ovat tekoälyn tyyppi, vaativat koulutusnäytteitä sisällöstä, jota ne ohjelmoi tuottamaan. Esimerkiksi GAN voi tuottaa sisältöä tyhjään kohtaan kartalla määrittelemällä eri mahdollisuudet.

Tutkijat päättivät muuttaa satelliittikuvaa Tacomasta, Washingtonista, ja sekoittivat siihen elementtejä Seattlen ja Pekingin kuvista, tehdäkseen siitä mahdollisimman realistisen. Kuitenkin tutkijat varoittavat tällaisista tehtävistä.

“Se ei ole tekniikasta kiinni, vaan siitä, miten ihmiset käyttävät teknologiaa”, Deng sanoi. “Halumme käyttää teknologiaa hyviin tarkoituksiin, ei pahoihin tarkoituksiin.”

Kuvan luomisen jälkeen ryhmä vertasi 26 eri kuva-arvoa, jotta voitiin määrittää, olisiko statistisia eroja aitojen ja väärennettyjen kuvien välillä, ja he rekisteröivät sellaisia eroja 20:sta 26:sta osoittimista (80%).

Eroihin kuului kattojen väri, jossa aitojen kuvien värit olivat yhdenmukaisia, kun taas väärennettyjen kuvien värit olivat epätasaisia. Ryhmä löysi myös, että väärennetty satelliittikuva oli vähemmän värikäs ja himmeämpi, mutta sillä oli myös terävämmät reunat. Dengin mukaan erot riippuivat syötteistä, joita käytettiin väärennetyn kuvan kehittämiseen.

Tämä tutkimus luo perustan jatkotutkimukselle, joka voisi mahdollistaa maantieteilijöille eri tyypien neuroverkkojen seuraamisen ja väärennettyjen kuvien tuottamisen, mikä johtaa myös parempaan havaitsemiseen. Ryhmä sanoo, että järjestelmällisiä menetelmiä on kehitettävä, jotta voidaan havaita syvät väärennökset ja vahvistaa luotettavaa tietoa tässä alalla.

“Kaikki haluamme totuuden”, Deng sanoi.