Deepfake Classification Project

Descrição do Projeto

Este projeto consiste na implementação de um modelo que visa classificar mídias (imagens e vídeos) como reais ou deepfakes / falsificações. Utilizando um dataset de metadados focados na detecção de deepfakes, foi desenvolvida uma Rede Neural Artificial (MLP - Multilayer Perceptron) treinada para distinguir as classes a partir de características estruturais e de qualidade (como pontuação de sincronia labial, presença de artefatos visuais, inconsistência de iluminação, entre outros).

Origem dos Dados: Os dados utilizados (deepfake_detection_metadata_dataset.csv) foram extraídos do diretório Deepfake and Synthetic Media Detection na plataforma Kaggle. Eles consistem em metadados sintéticos que representam amostras reais e geradas por inteligência artificial (deepfakes) nas esferas de imagens, vídeos e áudios. Projetado para pesquisas de classificação em machine learning e perícia (forensics) gerada por IA, o dataset inclui indicadores forenses simulados (ex: consistência de sincronia labial, artefatos visuais, compressão e inconsistências de luz). Vale ressaltar que ele não inclui arquivos de mídia reais, mas simula os atributos para permitir o desenvolvimento da detecção de forma ética e segura.

Tecnologias e Bibliotecas Utilizadas

• Python
• Pandas e Numpy: Manipulação e estruturação do banco de dados.
• Scikit-Learn: Pré-processamento, separação de dados de treino/teste e padronização.
• TensorFlow / Keras: Arquitetura, compilação e treinamento da Rede Neural.
• Matplotlib e Seaborn: Geração e visualização dos gráficos das métricas e resultados.

Metodologia

1. Pré-processamento

Os dados originais (provenientes do arquivo deepfake_detection_metadata_dataset.csv) sofrem correções e limpezas antes de entrarem na rede:

• Colunas com alto potencial de vazar dados sobre o gabarito foram removidas (media_id, generation_method).
• O alvo (label) foi mapeado para valores binários numéricos num formato onde "Real" = 0 e "Fake" = 1.
• Variáveis categóricas (como plataforma fonte ou tipo de mídia) foram convertidas em variáveis de estado numéricas (dummy variables) utilizando o recurso de drop_first=True para diminuir dimensões.
• Os dados foram divididos em 80% de treino e 20% de teste, mantendo a estratificação (stratify=y).
• Aplicou-se a normalização StandardScaler para manter as entradas numa escala e distribuição ideais para a eficiência da rede neural.

2. Arquitetura da Rede Neural (MLP)

O modelo clássico Sequencial multicamadas (Standard Feedforward) empregado apresenta:

• Primeira Camada Oculta: 64 neurônios, função de ativação ReLU, com dados padronizados de entrada (17).
• Segunda Camada Oculta: 32 neurônios, função de ativação ReLU.
• Camada de Saída: 1 neurônio, com função de ativação Sigmoid, devolvendo uma probabilidade preditiva entre 0 e 1.

A compilação do processo de estudo usou a função de perda (loss) binary_crossentropy com acompanhamento pela métrica de precisão (accuracy) auxiliada pelo algoritmo otimizador Adam.

Resultados e Avaliação

O Processo de Treinamento

Foi notável que, após a compilação, o modelo rapidamente obteve convergência (estabilizou seu erro num valor tendendo a quase zero) enquanto chegava a um percentual de 100% de acurácia em poucas épocas.

• Curvas de Perda (Loss) em Escala Logarítmica: A imagem do resultado de treinamento usando escala logarítmica reflete as curvas de Treino e Validação da função de perda avaliadas durante as 100 épocas. A adoção desta escala logarítmica permite analisar visualmente muito mais precisamente o decaimento em ordens de grandeza da dispersão do erro, mostrando que as curvas de Treino e Validação seguem em plena sinergia convergente durante todo o tempo de aprendizado.

Avaliação do Algoritmo

O modelo treinado foi colocado sob uso final na base padronizada de Testes e obteve excelente êxito e generalidade (mantendo o índice sem indícios diretos de overfitting na validação ou erro de prova).

• A Matriz de Confusão: A imagem da matriz de confusão gráfica explicita o diagnóstico das 200 amostras previstas durante o Teste. O modelo teve performance perfeita, segregando de maneira assertiva todos os Falsos Positivos e Falsos Negativos com zero ocorrências nessas áreas, e alcançando lotação máxima nos seus mapeamentos alvo para mídias Verdadeiramente Reais (100) e Verdadeiramente Falsas/Deepfakes (99 + 1 ocorrência isolada dependendo da semente aleatória), garantindo taxa máxima de precisão e segurança no teste executado.