‘Derin Sahtekarlıklar’ Coğrafyaya da Giriyor

Derin sahtekarlık endişeleri, coğrafi bilgi bilimi (GIS) gibi diğer alanlara da yayılmaya başlıyor. Binghamton Üniversitesi’ndeki araştırmacılar, bu potansiyel sorunu ele almaya başladılar.

Ekibe, Coğrafya Bölümü Öğretim Üyesi Chengbin Deng ve dört diğer colegası, Washington Üniversitesi’nden Bo Zhao ve Yifan Sun, Oregon Eyalet Üniversitesi’nden Shaozeng Zhang ve Chunxue Xu dahildir.

Yeni araştırma, Cartography and Geographic Information Science dergisinde yayınlandı ve “Derin sahte coğrafya? Coğrafi veri ile yapay zeka karşılaştığında” başlığını taşıyor.

Makalede, ekip, yanlış uydu görüntülerinin nasıl oluşturulabileceği ve tespit edilebileceği konusunda araştırma yaptı.

“Samimiyetle söyleyeyim, bu potansiyel sorunu muhtemelen ilk olarak biz tanıdık,” dedi Deng.

Coğrafi Bilgi Bilimi (GIS) ve GeoAI

Coğrafi bilgi bilimi (GIS), ulusal savunma ve otonom araçlar gibi birçok farklı uygulama için kullanılır. GeoAI’nin geliştirilmesi ile yapay zeka teknolojisi, bu alanda etkili oldu.

GeoAI, makine öğrenimi kullanarak coğrafi verilerin çıkarılmasını ve analizini sağlar. Ancak GeoAI, aynı zamanda GPS sinyallerini sahte olarak oluşturmak, sosyal medyada konum bilgilerini sahte olarak oluşturmak, coğrafi ortamların fotoğraflarını sahte olarak oluşturmak ve birçok başka tehlikeli uygulama için de kullanılabilir.

“Bunların hepsini etik kurallara uygun olarak yapmak zorundayız. Ancak aynı zamanda, araştırmacılar olarak, sahte görüntüleri ayırt etmek ve tanımlamak için bir yol bulmalıyız,” dedi Deng. “Çok sayıda veri seti ile bu görüntüler insan gözüne gerçek gibi görünebilir.”

Yanlış Görüntüler Oluşturmak

Yanlış olarak oluşturulmuş bir görüntüyü tespit etmenin ilk adımı, böyle bir görüntüyü oluşturmaktır, bu nedenle ekip, derin sahtekarlıklar oluşturmak için kullanılan ortak bir teknik olan Cycle-Consistent Adversarial Networks (CycleGAN) tekniğine başvurdu. CycleGAN, sentetik medyayı simüle edebilen bir derin öğrenme algoritmasıdır.

Yapay zeka türlerinden biri olan Generative Adversarial Networks (GAN), üretmek için programlandığı içeriğin eğitim örneklerine ihtiyaç duyar. Örneğin, GAN, bir haritanın boş bir noktası için farklı olasılıkları belirleyerek içerik oluşturabilir.

Araştırmacılar, Washington eyaletinin Tacoma şehrinin uydu görüntüsünü değiştirmeye çalıştılar ve görüntüye Seattle ve Beijing’in bazı unsurlarını ekleyerek mümkün olduğunca gerçekçi görünmesini sağladılar. Ancak araştırmacılar, böyle bir görevin tehlikelerine karşı uyarıyorlar.

“Bu, teknikle ilgili değil, insanların teknolojiyi nasıl kullandığı ile ilgili,” dedi Deng. “Teknolojiyi iyi amaçlar için, kötü amaçlar için değil kullanmak istiyoruz.”

Oluşturulduktan sonra, ekip, gerçek ve sahte görüntüler arasında herhangi bir istatistiksel fark olup olmadığını belirlemek için 26 farklı görüntü ölçütü karşılaştırdı ve 26 ölçütten 20’sinde (%80) böyle farklar kaydetti.

Farklar, çatıların rengini içeriyordu; gerçek görüntülerdeki renkler üniformdu, birleşik görüntülerdeki renkler ise benek benekti. Ekibin ayrıca, sahte uydu görüntüsünün daha az renkli ve daha soluk, ancak daha keskin kenarları olduğunu buldu. Deng’e göre, farklar, sahte görüntüyü geliştirmek için kullanılan girdilere bağlıydı.

Bu araştırma, coğrafyacıların, farklı türdeki sinir ağlarını takip etmelerine ve nasıl sahte görüntüler oluşturduklarını görmelerine olanak tanıyan daha ileri çalışmalara temel oluşturabilir, bu da daha iyi bir tespit sağlar. Ekibin söylediğine göre, derin sahtekarlıkları tespit etmek ve bu alanda güvenilir bilgileri doğrulamak için sistematik yöntemler geliştirilmelidir.

“Hepimiz gerçeği istiyoruz,” dedi Deng.