37 Estado del arte en generación y detección de contenido sintético. Limitaciones y oportunidades
Los avances en nuevas tecnologías, sobre todo las relacionadas con inteligencia artificial y el auge del deep learning, han puesto en tela de juicio los mecanismos tradicionales para determinar si una información es legítima o no. Herramientas como StyleGAN2, GROVER o Deepfake son buenos ejemplos de...
| Autores: | , |
|---|---|
| Tipo de recurso: | capítulo de libro |
| Fecha de publicación: | 2021 |
| País: | España |
| Institución: | Universidad de Castilla-La Mancha |
| Repositorio: | RUIdeRA. Repositorio Institucional de la UCLM |
| OAI Identifier: | oai:ruidera.uclm.es:10578/28647 |
| Acceso en línea: | http://doi.org/10.18239/jornadas_2021.34.37 http://hdl.handle.net/10578/28647 |
| Access Level: | acceso abierto |
| Palabra clave: | Contenido Sintético Deep Learning Inteligencia Artificial redes GAN Seguridad Defensiva Seguridad Ofensiva Fake News |
| Sumario: | Los avances en nuevas tecnologías, sobre todo las relacionadas con inteligencia artificial y el auge del deep learning, han puesto en tela de juicio los mecanismos tradicionales para determinar si una información es legítima o no. Herramientas como StyleGAN2, GROVER o Deepfake son buenos ejemplos de cómo es posible generar información manipulada de alta calidad. En este artículo, se detallan las técnicas, algoritmos y herramientas que permiten generar y detectar contenido falso, profundizando en cada área (audio, texto, imagen y vídeo) haciendo énfasis en las limitaciones que existen en su uso para generar identidades falsas para cometer cualquier tipo de fraude. |
|---|