Hiperparametre optimizasyonu destekli LSTM ve RNN tabanlı sezgisel algoritmalar ile deepfake ses tespiti
Deepfake audio detection using hyperparameter optimization–assisted LSTM- and RNN -based heuristic algorithms
- Tez No: 1003820
- Danışmanlar: PROF. DR. İDİRİS DAĞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mühendislik Bilimleri, Computer Engineering and Computer Science and Control, Engineering Sciences
- Anahtar Kelimeler: Derin öğrenme, Python, Sezgisel algoritmalar, Deep learning, Python, Heuristic algorithms
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
İnsan konuşmasının derin öğrenme ve doğal dil işleme yoluyla yapay olarak taklit edilmesini mümkün kılan Deepfake ses sentezi, bilgi güvenliği ve dijital güven açısından giderek artan riskler oluşturmaktadır. Üretilen seslerin yüksek gerçekçiliği ve çeşitliliği nedeniyle bu tür sentetik sesleri tespit etmek hâlâ zorlu bir görevdir. Bu çalışma, model performansını artırmak amacıyla sezgisel (heuristic) optimizasyon algoritmalarını derin öğrenme mimarileriyle bütünleştiren gelişmiş bir Deepfake ses tespit çerçevesi önermektedir. Özellikle, Tekrarlayan Sinir Ağı (RNN) ve Uzun Kısa Süreli Bellek (LSTM) modelleri; Genetik Algoritma (GA), Parçacık Sürüsü Optimizasyonu (PSO), Fark Evrimi (DE) ve Jaya dâhil olmak üzere on sezgisel ve meta-sezgisel algoritma kullanılarak optimize edilmiştir. 11.536 örnekten (8.275 sahte ve 3.260 gerçek) oluşan ADD 2022 veri seti, eğitim ve test süreçleri için spektrogram tabanlı sayısal özelliklere dönüştürülmüştür. Her sezgisel algoritma, öğrenme oranı, dropout oranı, girdi boyutu ve batch boyutu gibi hiperparametreleri optimize ederek tespit doğruluğunu en üst düzeye çıkarmayı hedeflemiştir. Deneysel sonuçlar, önemli performans artışlarını göstermektedir; RNN–PSO ve LSTM–DE kombinasyonları sırasıyla %99,0 ve %97,2 doğruluk oranlarına ulaşarak temel modele göre %20'nin üzerinde bir iyileşme sağlamıştır. Bu bulgular, sezgisel optimizasyonun Deepfake ses tespitinde genelleme ve yakınsama verimliliğini önemli ölçüde artırdığını göstermektedir. Önerilen yaklaşım, diğer derin öğrenme tabanlı medya doğrulama görevlerine de uyarlanabilir ölçeklenebilir bir optimizasyon çerçevesi sunmaktadır.
Özet (Çeviri)
Deepfake voice synthesis, which enables the artificial replication of human speech through deep learning and natural language processing, poses increasing risks to information security and digital trust. Detecting such synthetic voices remains a challenging task due to the high realism and variability of generated speech. This study proposes an enhanced Deepfake voice detection framework that integrates heuristic optimization algorithms with deep learning architectures to improve model performance. Specifically, Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM) models were optimized using nine heuristic and meta-heuristic algorithms, including Genetic Algorithm (GA), Particle Swarm Optimization (PSO), Differential Evolution (DE), and Jaya. The ADD 2022 dataset— comprising 11,536 samples (8,275 fake and 3,260 real)—was preprocessed into spectrogram-based numerical features for training and testing. Each heuristic algorithm performed hyperparameter optimization over learning rate, dropout rate, input size, and batch size to maximize detection accuracy. Experimental results demonstrate substantial performance gains, with RNN–PSO and LSTM–DE combinations achieving 99.0% and 97.2% accuracy, respectively—an improvement of over 20% compared to the baseline model. These findings indicate that heuristic optimization significantly enhances generalization and convergence efficiency in Deepfake voice detection. The proposed approach contributes a scalable optimization framework adaptable to other deep learning- based media authentication tasks.
Benzer Tezler
- Building energy efficiency: A data-driven machine learning approach for energy optimization
Bina enerji verimliliği: Enerji optimizasyonu için veriye dayalı makine öğrenmesi yaklaşımı
AHMAD REZA DARABI
Yüksek Lisans
İngilizce
2025
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA BERKER YURTSEVEN
- Derin öğrenme ile cerrahi video anlama
Surgical video understanding with deep learning
ABDISHAKOUR ABDILLAHI AWALE ABDISHAKOUR ABDILLAHI AWALE
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DUYGU SARIKAYA
- Gaziantep'te PM2.5 konsantrasyonunun zamansal ve mekânsaltahminine yönelik transfer öğrenme destekli hibrit yapay zeka modelleri
Spatio-temporal estimation of PM2.5 concentrations in gaziantepusing transfer learning-based hybrid artificial intelligence models
TÜRKAN ZENGİN GÖMLEKSİZ
Yüksek Lisans
Türkçe
2025
Meteorolojiİstanbul Teknik Üniversitesiİklim Bilimi ve Meteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN TOROS
- Intelligent health monitoring in 6G networks: Machine learning-enhanced VLC-based medical body sensor networks
6G ağlarında akıllı sağlık izleme: Makine öğrenmesi destekli VLC tabanlı medikal vücut sensör ağları
BİLAL ANTAKİ
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik MühendisliğiIşık ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. FARSHAD MİRAMİRKHANİ
- Forecasting solar irradiance using deep learning and big data analytics techniques in Sakarya and Damascus
Sakarya ve Şam'da derin öğrenme ve büyük veri analitiği teknikleri kullanılarak güneş ışınımının tahmini
MARYA ALHAJMOHAMMADOTHMAN
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. CEYDA AKSOY TIRMIKÇI
DR. ÖĞR. ÜYESİ DENİZ BALTA