迈向可信 AI：使用 CNN 与零知识证明的安全 Deepfake 检测
密码学与安全
2025-07-24 v1 人工智能
机器学习
摘要
在合成媒体时代，deepfake 篡改对信息完整性构成了重大威胁。为应对这一挑战，我们提出了 TrustDefender，这是一个两阶段框架，包含 (i) 一个轻量级卷积神经网络 (CNN)，用于实时检测扩展现实 (XR) 流中的 deepfake 图像；以及 (ii) 一个集成的简洁零知识证明 (ZKP) 协议，可在不泄露原始用户数据的情况下验证检测结果。我们的设计既解决了 XR 平台的计算限制，又符合敏感场景下严格的隐私要求。在多个基准 deepfake 数据集上的实验评估表明，TrustDefender 达到了 95.3% 的检测准确率，并以严格的密码学为基础实现高效的证明生成，确保与高性能人工智能 (AI) 系统的无缝集成。通过将先进的计算机视觉模型与可证明的安全机制相融合，我们的工作为沉浸式和隐私敏感应用中的可靠 AI 奠定了基础。
引用
@article{arxiv.2507.17010,
title = {Towards Trustworthy AI: Secure Deepfake Detection using CNNs and Zero-Knowledge Proofs},
author = {H M Mohaimanul Islam and Huynh Q. N. Vo and Aditya Rane},
journal= {arXiv preprint arXiv:2507.17010},
year = {2025}
}
备注
Submitted for peer-review in TrustXR - 2025