மின் கட்டமைப்பின் ரீங்காரம், AI வீடியோக்களுக்கு எதிரான ஒரு சாட்சி

AI உருவாக்கிய வீடியோக்களைக் கண்டறிவது ஒரு ஆயுதப் போட்டியாக மாறிவிட்டது, சவுத்தாம்ப்டன் சொலென்ட் பல்கலைக்கழகத்தின் ரையன் வைட்டன் (Ryan Wyton) மற்றும் பச்சா ரெஹ்மான் (Bacha Rehman) கருத்துப்படி, இது “கண்டறிவான் தோற்றுக்கொண்டிருக்கும்” போட்டி. பெரும்பாலான கண்டறிவான்கள், தாங்கள் பயிற்றுவிக்கப்பட்ட உருவாக்கிகளின் காட்டிக்கொடுக்கும் கைரேகைகளைக் கற்றுக்கொள்கின்றன. அறுபது லட்சம் கிளிப்புகள் கொண்ட சமீபத்திய ஒப்பீட்டுச் சோதனையில், சிறந்தவை ஒட்டுமொத்தமாகச் சுமார் 80% துல்லியத்தை மட்டுமே எட்டுகின்றன, அவை இதுவரை பார்த்திராத உருவாக்கிகளில் தற்செயல் அளவுக்கு அருகில் அல்லது அதற்குக் கீழே விழுகின்றன.

இந்த இரண்டு ஆய்வாளர்களும் அதற்குப் பதிலாக, உருவாக்கிகள் கட்டுப்படுத்தாத ஒரு சமிக்ஞையைத் தேடினார்கள்: மின் கட்டமைப்பு அதிர்வெண் (electric network frequency), அல்லது ENF.

கட்டமைப்பின் கைரேகை

வீட்டு மின்சாரம் பெயரளவில் 50 அல்லது 60 ஹெர்ட்ஸ், ஆனால் வழங்கலும் தேவையும் மாறும்போது அதன் சரியான அதிர்வெண் சிறிய அளவுகளில் நகர்கிறது. ஒரு மின் கட்டமைப்பு இறுக்கமாகப் பிணைக்கப்பட்டிருப்பதால், இந்த நகர்வு எந்தக் கணத்திலும் முழு வலையமைப்பிலும் மில்லிவினாடிகளுக்குள் ஒரே மாதிரியாக இருக்கிறது — எனவே அது ஒரு நேர முத்திரை போலச் செயல்படுகிறது. அது இரண்டு வழிகளில் பதிவுகளுக்குள் நுழைகிறது. ஒலிவாங்கிகள் அதை ஒரு ரீங்காரமாக எடுத்துக்கொள்கின்றன. மின்சாரத்தில் இயங்கும் விளக்குகள் கட்டமைப்பு அதிர்வெண்ணின் இரு மடங்கில், அதாவது 100 அல்லது 120 ஹெர்ட்ஸில் மினுமினுக்கின்றன. தன் உணரி படத்தை வரி வரியாகப் படிக்கும் கேமரா (“சுழல் ஷட்டர்”, rolling shutter) அந்த மினுமினுப்பை வீடியோவில் மங்கலான பட்டைகளாகப் பதிவு செய்கிறது.

நிலைக்காத ஒரு அனுமானம்

வேலை ஒரு எளிய யோசனையுடன் தொடங்கியது: செயற்கை வீடியோவில் கட்டமைப்பு மினுமினுப்பு இருக்காது, அது இல்லாததைக் கொண்டே அதை அடையாளம் காணலாம். அந்த யோசனை “சான்றுகளைச் சந்தித்தபோது நிலைக்கவில்லை” என்று ஆசிரியர்கள் எழுதுகிறார்கள். உரையிலிருந்து வீடியோ உருவாக்கும் ஆறு உருவாக்கிகளின் 600 கிளிப்புகளில், மினுமினுப்பு உண்மையான காட்சிகளில் உள்ள அளவுக்கே வலுவாக தோன்றியது — எந்த உண்மையான கட்டமைப்பாலும் அல்லாமல், உருவாக்கியின் சட்ட வீதத்தால் (frame rate) தீர்மானிக்கப்பட்ட ஒரு தோற்ற அதிர்வெண்ணுடன். மினுமினுப்பின் வலிமையை மட்டும் அளந்தால், உண்மையான கிளிப்புகளையும் உருவாக்கப்பட்டவற்றையும் வேறுபடுத்த முடியவில்லை: மதிப்பெண் 0.51, இதில் 0.5 என்பது வெறும் ஊகம்.

எனவே கேள்வி மாறியது. ஒரு வீடியோவில் கட்டமைப்புச் சமிக்ஞை இருக்கிறதா என்று கேட்பதற்குப் பதிலாக, கூறப்பட்ட நேரத்திலும் இடத்திலும் கட்டமைப்பின் தனிப்பட்ட பதிவுடன் அந்தச் சமிக்ஞை பொருந்துகிறதா என்று அமைப்பு கேட்கிறது. பொருந்தும் தடம் ஒரு உண்மையான பதிவுக்கு வலுவான சான்று. இல்லாத தடம் எதையும் நிரூபிப்பதில்லை, ஏனெனில் பல உண்மையான பதிவுகள் — வெளிப்புறத்தில், மங்கலான ஒளியில், அல்லது தொழில்முறை ஒலிக் கருவிகளுடன் எடுக்கப்பட்டவை — பயன்படுத்தக்கூடிய ரீங்காரம் எதையும் கொண்டிருப்பதில்லை.

அமைப்பு எப்படி வேலை செய்கிறது

ஒரு சிறிய நரம்பியல் வலையமைப்பு (neural network; சுமார் 157,600 அளவுருக்கள்) ஒலி, படம் இரண்டிலும் கட்டமைப்புச் சமிக்ஞையைப் படிக்கிறது.
உண்மையான, குறிச்சொல் இடப்பட்ட எடுத்துக்காட்டுகள் அரிதானவை, எனவே குழு அதைச் செயற்கை எடுத்துக்காட்டுகளில் பயிற்றுவித்தது: கட்டமைப்பு அதிர்வெண் எப்படி அலைகிறது, எப்படி அதன் பெயரளவு மதிப்பை நோக்கி மீண்டும் இழுக்கப்படுகிறது என்பதை மாதிரியாக்கி, அந்த நகர்வை ரீங்காரமற்ற பேச்சிலும் மினுமினுப்பற்ற வீடியோவிலும் செலுத்தினார்கள், அத்துடன் ஐந்து வகையான முரண்பட்ட சமிக்ஞைகளையும் (இல்லாதது, தட்டையானது, உடைந்தது, தவறான கட்டமைப்பு, இணைக்கப்பட்டது).
ஒரு தனிப் படி, பதிவின் சமிக்ஞையைக் கட்டமைப்பின் குறிப்புப் பதிவேட்டுடன் பொருத்துகிறது — கூறப்பட்ட நேரத்தைச் சரிபார்க்க அல்லது தெரியாத நேரத்தைக் கண்டுபிடிக்க.
ஒரு நிலையான முடிவு வரைபடம் — “முகவர்” (agentic) பகுதி — இதைக் கையாளப்பட்ட முகங்கள், உதட்டு ஒத்திசைவு (lip-sync), மீதரவு (metadata) ஆகியவற்றுக்கான ஏற்கனவே உள்ள கண்டறிவான்களுடன் இணைக்கிறது; விரைவுச் சோதனைகள் முடிவுக்கு வராதபோது மட்டுமே மெதுவானவற்றை அழைக்கிறது.

முடிவுகள்

பயிற்சியில் ஒருபோதும் பார்க்கப்படாத மூலங்களிலிருந்து வந்த உண்மையான பதிவுகளில், அமைப்பு உண்மையான ஒலிகளில் 93% மற்றும் உண்மையான வீடியோக்களில் 100% ஏற்றுக்கொண்டது; எளிய “ரீங்காரம் இருக்கிறதா?” சோதனைக்கு இவை 53% மற்றும் 15%.
தடம் பிரித்தெடுக்க முடிந்த பதிவுகளில், கூறப்பட்ட பதிவு நேரத்தைச் சரிபார்த்தது உண்மையான நேர முத்திரைகளைப் போலியானவற்றிலிருந்து முழுமையாகப் பிரித்தது; கண்மூடித் தேடல் ஒன்று, தெரியாத ஒரு பதிவு நேரத்தை 24 மணி நேரக் குறிப்புக்குள் சுமார் ஒரு வினாடி துல்லியத்தில் கண்டுபிடித்தது.
ஒரு உண்மையான காட்சியில், வீடியோவின் மினுமினுப்பு அதன் கட்டமைப்புக் குறிப்புடனும் அதே பதிவின் ஒலியுடனும் பொருந்தியது. அந்தக் காட்சியின் இரண்டு AI மறுஉருவாக்கங்கள் 60 ஹெர்ட்ஸில் மினுமினுத்தன — 50-இல் இயங்குவதாகக் கூறப்பட்ட இடத்துக்குத் தவறான கட்டமைப்பு.
அவற்றின் உண்மையான கட்டமைப்புடன் ஒப்பிடப்பட்ட 91 உண்மையான பதிவுகளில், அது ஒரு தவறான குற்றச்சாட்டும் சுமத்தவில்லை.
மெதுவான கண்டறிவான்களைத் தேவைப்படும்போது மட்டும் இயக்கியது, துல்லியத்தை இழக்காமல் கணினி நேரத்தை 54% குறைத்தது.

கடினமான நிலை

கட்டமைப்புச் சமிக்ஞை பதிவை உறுதிப்படுத்துகிறது, அது காட்டுவதை அல்ல. யாராவது ஒரு உண்மையான காட்சியைப் படம்பிடித்து, பிறகு அதில் ஒரு முகத்தை மாற்றினால், ரீங்காரம் உண்மையானதாகவே இருக்கும். அது முக, உதட்டு ஒத்திசைவுக் கண்டறிவான்களின் பொறுப்பு; உண்மையான முக மாற்றங்களின் சுருக்கப்பட்ட காட்சிகளில் அவை தற்செயல் அளவுக்கு அருகிலேயே செயல்பட்டன: முழுத் தொகுப்பும் சுமார் 50% மதிப்பெண் பெற்றது. இந்த முறைக்குக் கட்டமைப்புக் குறிப்புப் பதிவேடுகளும் தேவை; ஆசிரியர்கள் இவற்றை ஐக்கிய இராச்சியத்துக்கும் ஐரோப்பியக் கண்டத்துக்கும் பொதுவில் கிடைப்பவை என்றும், மற்ற இடங்களில் கட்டுப்படுத்தப்பட்டவை அல்லது வெளியிடப்படாதவை என்றும் விவரிக்கிறார்கள். சரியான நேரம், இடத்திலிருந்து ஒரு உண்மையான கட்டமைப்புப் பதிவை இடையில் இணைக்கும் மோசடியாளரையும் இதனால் தடுக்க முடியாது.

ஆசிரியர்கள் தங்கள் அமைப்பை ஒரு முதற்கட்டப் பிரித்தறியும் கருவியாக, பல சான்றுகளில் ஒரு சான்று வரிசையாக முன்வைக்கிறார்கள். அதன் நோக்கம், அவர்கள் எழுதுவதுபோல், “ஒரு கிளிப் போலியானது என்று அறிவிப்பது அல்ல, மாறாக ஒரு பதிவு தான் கூறிக்கொள்வதாகவே இருக்கும்போது, அளவுத்திருத்தப்பட்ட நம்பிக்கையுடன் அதைச் சொல்வது.”