Search

Modern deepfake techniques produce highly realistic false media content with the potential for spreading harmful information, including fake news and incitements to violence. Deepfake detection methods aim to identify and counteract such content by employing machine learning algorithms, focusing mainly on detecting the presence of manipulation using spatial and temporal features. These methods often utilize Foundation Models trained on extensive unlabeled data through self-supervised approaches. This work extends previous research on deepfake detection, focusing on the effectiveness of these models while also considering biases, particularly concerning age, gender, and ethnicity, for ethical analysis. Experiments with DINOv2, a novel Vision Transformer-based Foundation Model, trained using the diverse Deepfake Detection Challenge Dataset, which encompasses several lighting conditions, resolutions, and demographic attributes, demonstrated improved deepfake detection when combined with a CNN classifier, with minimal bias towards these demographic characteristics.

An Automatic Speech Recognition (ASR) System is a software tool that converts a speech audio waveform into its corresponding text transcription. ASR systems are usually built using Artificial Intelligence techniques, particularly Machine Learning algorithms like Deep Learning, to address the multi-faceted complexity and variability of human speech. This allows these systems to learn from extensive speech datasets, adapt to several languages and accents, and continuously improve their performance over time, making them each time more versatile and effective in their purpose of transcribing spoken language to text. Much in the same way, we argue that the noises commonly present in the different environments also need to be explicitly dealt with, and, when possible, modeled within specific datasets with proper training. Our motivation comes from the observation that noise removal techniques (commonly called denoising), are not always fully (and generically) efficient. For instance, noise degeneration due to communication interference, which is almost always present in radio transmissions, has peculiarities that a simple mathematical formulation cannot model. This work presents a modeling technique composed of an augmented dataset-building approach and a profile identifier that can be used to build ASRs for noisy environments that perform similarly to those used in noise-free environments. As a case study, we developed a specific ASR for the interference noise in radio transmissions with its specific dataset, while comparing our results with other state-of-the-art work. As a result, we report a Character Error Rate value of 0.3163 for the developed ASR under several different noise conditions.

O Processamento de Linguagem Natural já faz parte hoje da rotina de grande parte da sociedade, em gestos simples como comandos de voz pelo celular ou instruções faladas a um assistente virtual. Compreender o que é dito verbalmente pode ser uma tarefa simples para um falante nativo de um idioma, e considerada uma das mais essenciais para o convívio interpessoal. No contexto atual, marcado pela grande busca por integração entre sistemas, Internet das Coisas e ambientes dotados de dispositivos inteligentes e robôs, tal interação entre homens e máquinas fica em evidência, e uma abordagem utilizando aprendizado de máquina para atuar nesse relacionamento torna-se uma solução possível. O presente trabalho tem o objetivo de apresentar um ambiente que possibilite a experimentação de modelos na tarefa de Reconhecimento de Fala, bem como implementar modelos de classificação utilizando redes neurais de aprendizado profundo. Ao final, é feita uma análise comparativa entre a acurácia de possíveis modelos sendo experimentados. Como contribuições deste trabalho, é apresentada uma metodologia que permite a experimentação de reconhecimento de fala, bem como uma proposta de classificador treinado em uma base de dados de áudios em Português do Brasil.

A autenticação de usuários em Ambientes Virtuais de Aprendizagem (AVAs) geralmente exige uma senha para conexão. Tal método é incapaz de garantir a autenticidade de cada atividade do usuário após a autenticação. Para mitigar esse problema, Cruz et al. propôs um mecanismo de autenticação periódica de usuários em AVAs [1]. Foram aplicadas técnicas de aprendizado de máquina para construir modelos de reconhecimento baseados na dinâmica da digitação dos usuários. Para demonstrar sua viabilidade em um cenário real, com um grande número de usuários, este trabalho conduziu um estudo de caso aplicado, usando o Moodle, a um grupo de 307 usuários, produzindo um total de 4.829 palavras avaliadas. Cerca de 89% dos modelos de reconhecimento atingiram pelo menos 80% de acurácia, indicando a eficácia do mecanismo na identificação de autorias suspeitas.

Abstract In outdoor RF localization systems, particularly where line of sight can not be guaranteed or where multipath effects are severe, information about the terrain may improve the position estimate’s performance. Given the difficulties in obtaining real data, a ray-tracing fingerprint is a viable option. Nevertheless, although presenting good simulation results, the performance of systems trained with simulated features only suffer degradation when employed to process real-life data. This work intends to improve the localization accuracy when using ray-tracing fingerprints and a few field data obtained from an adverse environment where a large number of measurements is not an option. We employ a machine learning (ML) algorithm to explore the multipath information. We selected algorithms random forest and gradient boosting; both considered efficient tools in the literature. In a strict simulation scenario (simulated data for training, validating, and testing), we obtained the same good results found in the literature (error around 2 m). In a real-world system (simulated data for training, real data for validating and testing), both ML algorithms resulted in a mean positioning error around 100 ,m. We have also obtained experimental results for noisy (artificially added Gaussian noise) and mismatched (with a null subset of) features. From the simulations carried out in this work, our study revealed that enhancing the ML model with a few real-world data improves localization’s overall performance. From the machine ML algorithms employed herein, we also observed that, under noisy conditions, the random forest algorithm achieved a slightly better result than the gradient boosting algorithm. However, they achieved similar results in a mismatch experiment. This work’s practical implication is that multipath information, once rejected in old localization techniques, now represents a significant source of information whenever we have prior knowledge to train the ML algorithm.

Este trabajo Contiene la solución numérica de la ecuación KdV usando el método de Petrov-Galerkin-Wavelet. Lo interesante es poder calcular las integrales Wavelets, usando Wavelets Biortogonales, las propiedades de simetría permiten que los cálculos se reduzcan ostensiblemente. Aquí aplicaremos conceptos del análisis funcional y la teoría de distribuciones inmersos en el cálculo de la derivada débil o derivada distribucional. Hasta obtener gráficamente la solución numérica y la solución analítica de esta ecuación muy usada en la parte de la tecnología de ondas y comunicaciones, como también en la reconstrucción de imágenes. Recientemente, los métodos de wavelet se aplican a la solución numérica de ecuaciones diferenciales parciales, trabajos pioneros en esta dirección son las de Beylkin, Dahmen, Jaffard y Glowinski, entre otros.

A internet é palco de milhares de ataques cibernéticos todos os dias. Uma das maiores ameaças que afetam empresas e até usuários comuns são malware. Companhias de antivírus tentam aumentar a eficácia dos métodos de detecção de vírus, mas o grande aumento do número de variações de malware com o uso de técnicas como ofuscação aumenta a cada dia, tornando seu trabalho cada vez mais complexo. A utilização de redes neurais tem se mostrado cada vez mais presente na construção de algoritmos decisórios, inclusive na definição de classificadores de malware. Esse trabalho tem o objetivo de aplicar redes neurais recorrentes para prever os opcodes de um malware e, em seguida, classificá-los. Essa abordagem é inovadora pois, nos trabalhos analisados, não encontramos uma solução que utilize a predição de opcodes como entrada para um classificador de família de malware. O classificador de famílias obteve uma acurácia média de 92%.

En México se presentan prácticamente todos los grandes tipos de vegetación que existen en el mundo y su distribución a menudo es compleja. El objetivo del trabajo consistió en realizar un listado de la flora silvestre ribereña del Río Mayo, localizado en el sur del estado de Sonora, para conocer su composición. La recolección de especímenes se realizó mediante la técnica de intercepción o línea de Canfield (1941), en 15 sitios con dos repeticiones sumando 30 transectos. Se encontraron un total de 40 familias, 79 géneros y 99 especies. Las familias mejor representadas fueron: Leguminoseae, Cactaceae, Gramineae, Compositae, Chenopodiaceae, Salicaceae, Solanaceae, Euphorbiaceae, Amaranthaceae y Asteraceae. La dominante fue Leguminoseae con vegetación de bosque espinoso compuesta por Acacia cymbispina, Acacia farnesiana, Parkinsonia aculeata y Prosopis juliflora. Resulta perceptible la pérdida de flora debido al cambio de uso de suelo. Especies representativas de la zona riparia como Populus fremontii y Salix bonplandiana están desapareciendo por alteración del ecosistema. Poblaciones de mangle como Rhizophora mangle y Conocarpus erectus están disminuidas. El área estudiada es rica en especies a pesar de la perturbación. La diversidad varía de acuerdo al gradiente altitudinal y el número de especies guarda relación con los géneros y familias recolectadas. La agricultura, acuicultura, ganadería, la industria pesquera y la urbanización, son los giros que causan mayor afectación en los ecosistemas