کاهش خطرهای ناشی از محتوای مصنوعی

• Almutairi, Z. et al. “A Review of Modern Audio Deepfake Detection Methods: Challenges and Future https://huggingface.co/datasets/artem9k/ai-text-detection-pile.

• Directions,” n.d. https://www.mdpi.com/1999-4893/15/5/155.

• “Artem9k/Ai-Text-Detection-Pile · Datasets at Hugging Face.” Accessed ۸ فوریه ۲۰۲۴ (۱۹ بهمن ۱۴۰۲).

• “Authenticating AI-Generated Content ژانویه ۲۰۲۴ (دی ۱۴۰۲ تا بهمن ۱۴۰۲) Exploring Risks, Techniques & Policy https://www.itic.org/policy/ITI_AIContentAuthorizationPolicy_122123.pdf.

• Recommendations.” Information Technology Industry Council, ژانویه ۲۰۲۴ (دی ۱۴۰۲ تا بهمن ۱۴۰۲).

• Bird, J. et al. “CIFAKE: Image Classification and Explainable Identification of AI-Generated Synthetic Images.” IEEE Access 12 (2024): 15642–50. https://doi.org/10.1109/ACCESS.2024.3356122.

• Brock, A. et al. “Large Scale GAN Training for High Fidelity Natural Image Synthesis.” arXiv, ۲۵ فوریه ۲۰۱۹ (۶ اسفند ۱۳۹۷). http://arxiv.org/abs/1809.11096.

• Broniatowski, D. “Psychological Foundations of Explainability and Interpretability in Artificial

• Intelligence.” NIST, DOC, آوریل ۲۰۲۱ (فروردین ۱۴۰۰ تا اردیبهشت ۱۴۰۰). https://nvlpubs.nist.gov/nistpubs/ir/2021/NIST.IR.8367.pdf.

• “Contextualizing Deepfake Threats to Organizations,” n.d.

• https://media.defense.gov/2023/Sep/12/2003298925/-1/-1/0/CSI-DEEPFAKE-THREATS.PDF.

• Corvey, W. “Semantic Forensics (SemaFor).” DARPA, n.d. https://www.darpa.mil/program/semantic2 forensics.

• Corvi, R. et al. “On The Detection of Synthetic Images Generated by Diffusion Models.” In ICASSP 2023 - 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 1–5. Rhodes Island, Greece: IEEE, 2023. https://doi.org/10.1109/ICASSP49357.2023.10095167.

• Cuccovillo, L. et al. “Open Challenges in Synthetic Speech Detection.” In 2022 IEEE International

• Workshop on Information Forensics and Security (WIFS), 1–6, 2022. https://doi.org/10.1109/WIFS55849.2022.9975433.

• Gerstner, C. et al. “Deepfakes: Is a Picture Worth a Thousand Lies?,” The Next Wave, p. 41, 2021.

• https://media.defense.gov/2021/Jul/06/2002756456/-1/-1/0/TNW_23-1.PDF.

• Dhariwal, P. et al. “Diffusion Models Beat GANs on Image Synthesis,” n.d. https://proceedings.neurips.cc/paper_files/paper/2021/file/49ad23d1ec9fa4bd8d77d02681df5cfa- Paper.pdf.

• “Eurasia Group | The Top Risks of 2023.” Accessed ۱۰ فوریه ۲۰۲۴ (۲۱ بهمن ۱۴۰۲). https://www.eurasiagroup.net/issues/top-risks-2023.

• Fowler, G. “What to do when you’re accused of AI cheating.” Washington Post, اوت ۲۰۲۳ (مرداد ۱۴۰۲ تا شهریور ۱۴۰۲). https://www.washingtonpost.com/technology/2023/08/14/prove-false-positive-ai-detection-turnitingptzero/.

• Gu, S. et al. “Vector Quantized Diffusion Model for Text-to-Image Synthesis.” In 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 10686–96. New Orleans, LA, USA: IEEE, 2022. https://doi.org/10.1109/CVPR52688.2022.01043.

• Guo, Z. et al. “Fake Face Detection via Adaptive Manipulation Traces Extraction Network.” arXiv, ۱۶ دسامبر ۲۰۲۰ (۲۶ آذر ۱۳۹۹). http://arxiv.org/abs/2005.04945.

Hadi, M.U. و همکاران. «مروری بر مدل‌های زبانی بزرگ: کاربردها، چالش‌ها، محدودیت‌ها و کاربرد عملی.» پیش‌چاپ، ۱۰ ژوئیه ۲۰۲۳ (۱۹ تیر ۱۴۰۲). https://doi.org/10.36227/techrxiv.23589741.v1.

• Heikkilä, M. «تولیدکننده تصویر هوش مصنوعی Midjourney با ممنوع‌کردن واژه‌های مربوط به دستگاه https://www.technologyreview.com/2023/02/24/1069093/ai-image-generator-midjourney-blocks-pornby-banning-words-about-the-human-reproductive-system/.

• تناسلی انسان، پورنوگرافی را مسدود می‌کند.» MIT Tech Review، فوریه ۲۰۲۳ (بهمن ۱۴۰۱ تا اسفند ۱۴۰۱).

• Juefei-Xu, F. و همکاران. «مقابله با دیپ‌فیک‌های مخرب: مرور، میدان نبرد و افق.» International Journal of Computer Vision 130، شماره ۷ (ژوئیه ۲۰۲۲ (تیر ۱۴۰۱ تا مرداد ۱۴۰۱)): 1678–1734. https://doi.org/10.1007/s11263-02232 01606-8.

• Klee, M. «او به‌ناروا به تقلب با هوش مصنوعی متهم شد — و او آخرین فرد نخواهد بود.» Rolling Stone، ژوئن ۲۰۲۳ (خرداد ۱۴۰۲ تا تیر ۱۴۰۲). https://www.rollingstone.com/culture/culture-features/student-accused-ai-cheating-turnitin35 1234747351/.

• Koopman, M. و همکاران. «تشخیص دستکاری ویدئویی دیپ‌فیک.» مجموعه‌مقالات بیستمین کنفرانس بینایی ماشین و پردازش تصویر ایرلند، ۲۰۱۸. https://www.researchgate.net/profile/Zeno-

Geradts/publication/329814168_Detection_of_Deepfake_Video_Manipulation/links/5c1bdf7da6fdccfc7 05da03e/Detection-of-Deepfake-Video-Manipulation.pdf.

• Krishna, K. و همکاران. «بازنویسی متن از آشکارسازهای متن تولیدشده توسط هوش مصنوعی می‌گریزد، اما بازیابی یک دفاع مؤثر است.» arXiv، ۲۰۲۳. https://arxiv.org/abs/2303.13408.

• Leibowicz, C. و همکاران. «معمای تشخیص دیپ‌فیک: کاوشی چندذی‌نفع از پویایی‌های خصمانه در رسانه‌های مصنوعی.»

• در Proceedings of the 2021 AAAI/ACM Conference on AI, Ethics, and

• Society، 736–44. AIES ’21. نیویورک، نیویورک، ایالات متحده: Association for Computing Machinery، ۲۰۲۱. https://doi.org/10.1145/3461702.3462584.

• «LLM - Detect AI Generated Text.» دسترسی در فوریه ۲۰۲۴ (بهمن ۱۴۰۲ تا اسفند ۱۴۰۲). https://kaggle.com/competitions/llm8 detect-ai-generated-text.

• Masood, M. و همکاران. «تولید و تشخیص دیپ‌فیک‌ها: وضعیت موجود، چالش‌های باز، اقدامات متقابل و راه پیش‌رو.» Applied Intelligence 53، شماره ۴ (فوریه ۲۰۲۳ (بهمن ۱۴۰۱ تا اسفند ۱۴۰۱)): 3974–4026. https://doi.org/10.1007/s10489-022-03766-z.

• «برچسب‌گذاری تصاویر تولیدشده با هوش مصنوعی در Facebook، Instagram و Threads،» Meta، ۶ فوریه ۲۰۲۴ (۱۷ بهمن ۱۴۰۲). https://about.fb.com/news/2024/02/labeling-ai-generated-images-on-facebook-instagram-and- threads/.

• Midjourney. «Midjourney.» دسترسی در ۱۰ فوریه ۲۰۲۴ (۲۱ بهمن ۱۴۰۲). https://www.midjourney.com/home.

• Moranchel, T. «دیپ‌فیک‌ها و فراتر از آن: مروری بر دستکاری چهره و تشخیص جعلی،» ژوئن ۲۰۲۰ (خرداد ۱۳۹۹ تا تیر ۱۳۹۹). https://arxiv.org/abs/2001.00179.

• Nichol, A. و همکاران. «GLIDE: به‌سوی تولید و ویرایش تصویر فوتورئالیستیک با مدل‌های انتشار هدایت‌شده با متن.» arXiv، ۸ مارس ۲۰۲۲ (۱۷ اسفند ۱۴۰۰). http://arxiv.org/abs/2112.10741.

• «Overview - C2PA.» دسترسی در ۱۰ فوریه ۲۰۲۴ (۲۱ بهمن ۱۴۰۲). https://c2pa.org/.

• Rana, M. و همکاران. «تشخیص دیپ‌فیک: مرور نظام‌مند ادبیات.» IEEE Access 10 (۲۰۲۲): 25494–513. https://doi.org/10.1109/ACCESS.2022.3154404.

• Rombach, R. و همکاران. «سنتز تصویر با وضوح بالا با استفاده از مدل‌های انتشار نهان.» در 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)، 10674–85. نیواورلئان، لوئیزیانا، ایالات متحده: IEEE، ۲۰۲۲. https://doi.org/10.1109/CVPR52688.2022.01042.

• Sadasivan, V. و همکاران. «آیا متن تولیدشده توسط هوش مصنوعی را می‌توان به‌طور قابل‌اعتماد تشخیص داد؟» arXiv، ۱۷ مارس ۲۰۲۳ (۲۶ اسفند ۱۴۰۱). http://arxiv.org/abs/2303.11156.

• Shamsolmoali, P. و همکاران. «سنتز تصویر با شبکه‌های خصمانه: مرور جامع و مطالعات موردی.» arXiv، ۲۶ دسامبر ۲۰۲۰ (۶ دی ۱۳۹۹). http://arxiv.org/abs/2012.13736.

• Ting, K.M. «Confusion Matrix.» Encyclopedia of Machine Learning. Springer (۲۰۱۱): 209. https://link.springer.com/referenceworkentry/10.1007/978-0-387-30164-8_157.

• Uhl, N. «روش‌های شفافیت رسانه مصنوعی: افشای غیرمستقیم.» Partnership on AI، ۱۹ دسامبر ۲۰۲۳ (۲۸ آذر ۱۴۰۲). https://partnershiponai.org/glossary-for-synthetic-media-transparency-methods-part-1-indirect34 disclosure/.

• WhatIs. «دیپ‌فیک هوش مصنوعی چیست؟ تعریفی از TechTarget.» دسترسی در ۱۰ فوریه ۲۰۲۴ (۲۱ بهمن ۱۴۰۲). https://www.techtarget.com/whatis/definition/deepfake.

• Wu, J. و همکاران. «مروری بر تشخیص متن تولیدشده توسط LLM: ضرورت، روش‌ها و مسیرهای آینده.» arXiv، ۲۴ اکتبر ۲۰۲۳ (۲ آبان ۱۴۰۲). http://arxiv.org/abs/2310.14724.

• «Wukong.» دسترسی در ۱۰ فوریه ۲۰۲۴ (۲۱ بهمن ۱۴۰۲). https://xihe.mindspore.cn/modelzoo/wukong.

• Yang, X. و همکاران. «مروری بر تشخیص محتوای تولیدشده توسط مدل‌های زبانی بزرگ.» arXiv، ۲۴ اکتبر ۲۰۲۳ (۲ آبان ۱۴۰۲). https://doi.org/10.48550/arXiv.2310.15654.

• Yu, I. و همکاران. «دسته‌بندی دستکاری برای تصاویر JPEG با استفاده از ویژگی‌های چنددامنه‌ای.» IEEE Access 8 (۲۰۲۰): 210837–54. https://doi.org/10.1109/ACCESS.2020.3037735.

• آزمون و ارزیابی تکنیک‌های رهگیری داده‌های اصالت و منشأ و آشکارسازی محتوای مصنوعی

• Abdusalomov, A. و همکاران. «ارزیابی تصاویر مصنوعی پزشکی با استفاده از هوش مصنوعی و الگوریتم GAN.» Sensors 23، شماره ۷ (ژانویه ۲۰۲۳ (دی ۱۴۰۱ تا بهمن ۱۴۰۱)): 3440. https://doi.org/10.3390/s23073440.

• Agnese, J. و همکاران. «مرور و رده‌بندی شبکه‌های عصبی خصمانه برای سنتز متن به تصویر.» WIREs Data Mining and Knowledge Discovery، شماره ۴ (۲۰۲۰): e1345.

• 10 https://doi.org/10.1002/widm.1345.

• 10

AlBadawy, E. و همکاران. «تشخیص گفتار ساختگیِ تولیدشده با هوش مصنوعی با استفاده از تحلیل دوطیفی.» در CVPR 2019، ۲۰۱۹. https://farid.berkeley.edu/downloads/publications/cvpr19/cvpr19b.pdf.

• https://doi.org/10.1109/IJCB54206.2022.10007988.

Amini, M. و همکاران. «تشخیص واترمارک تصویر رنگی چندکاناله با استفاده از مدل مارکوف نهان برداری.» 2017 IEEE International Symposium on Circuits and Systems (ISCAS) (۲۰۱۷): 1-4. https://ieeexplore.ieee.org/abstract/document/8050596.

Beekhof, F. و همکاران. «احراز اصالت و شناسایی محتوا در شرایط حمله‌های آگاهانه.» در 2012 IEEE International Workshop on Information Forensics and Security (WIFS)، 133–، ۲۰۱۲. https://doi.org/10.1109/WIFS.2012.6412638.

• Birhane, A. و همکاران. «حسابرسی هوش مصنوعی: اتوبوس معیوب در مسیر پاسخگویی هوش مصنوعی.» arXiv، ژانویه ۲۰۲۴ (دی ۱۴۰۲ تا بهمن ۱۴۰۲). https://arxiv.org/abs/2401.14462.

• Boato, G. و همکاران. «TrueFace: مجموعه‌داده‌ای برای تشخیص تصاویر مصنوعی چهره از شبکه‌های اجتماعی.» در 2022 IEEE International Joint Conference on Biometrics (IJCB)، 1–7، ۲۰۲۲.

• Borji, A. «موارد مثبت و منفی معیارهای ارزیابی GAN.» Computer Vision and Image Understanding 179 (۱ فوریه ۲۰۱۹ (۱۲ بهمن ۱۳۹۷)): 41–65. https://doi.org/10.1016/j.cviu.2018.10.009.

Bradley, A. “The Use of the Area under the ROC Curve in the Evaluation of Machine Learning Algorithms.” Pattern Recognition 30, no. 7 (۱ ژوئیه ۱۹۹۷ (۱۰ تیر ۱۳۷۶)): 1145–59. https://doi.org/10.1016/S0031- 3203(96)00142-2.

Carlini, N. et al. “On Evaluating Adversarial Robustness,” ۱۸ فوریه ۲۰۱۹ (۲۹ بهمن ۱۳۹۷). https://doi.org/10.48550/arXiv.1902.06705.

Carlini, N. et al. “Adversarial Examples Are Not Easily Detected: Bypassing Ten Detection Methods.” In Proceedings of the 10th ACM Workshop on Artificial Intelligence and Security, 3–14. AISec ’17. New York, NY, USA: Association for Computing Machinery, 2017. https://doi.org/10.1145/3128572.3140444.

Carlini, N. et al. “Towards Evaluating the Robustness of Neural Networks.” arXiv, ۲۲ مارس ۲۰۱۷ (۲ فروردین ۱۳۹۶). https://doi.org/10.48550/arXiv.1608.04644.

Caruana, R. et al. “An Empirical Comparison of Supervised Learning Algorithms.” In Proceedings of the 37 23rd International Conference on Machine Learning, 161–68. ICML ’06. New York, NY, USA: ACM, 2006. 38 https://doi.org/10.1145/1143844.1143865.

• “Cataloguing LLM Evaluations.” Infocomm Media Development Authority, AI Verify Foundation, n.d. https://aiverifyfoundation.sg/downloads/Cataloguing_LLM_Evaluations.pdf.

• Chen, M. et al. “Evaluating Large Language Models (LLMs) Trained on Code.” arXiv, ۱۴ ژوئیه ۲۰۲۱ (۲۳ تیر ۱۴۰۰). https://doi.org/10.48550/arXiv.2107.03374.

• Ciftci, U. et al. “FakeCatcher: Detection of Synthetic Portrait Videos Using Biological Signals.” IEEE Transactions on Pattern Analysis and Machine Intelligence, 2020, 1–1. https://doi.org/10.1109/TPAMI.2020.3009287.

• Clark, E. et al. “All That’s `Human’ Is Not Gold: Evaluating Human Evaluation of Generated Text.” In Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th

• International Joint Conference on Natural Language Processing (Volume 1: Long Papers), edited by Chengqing Zong, Fei Xia, Wenjie Li, and Roberto Navigli, 7282–96. Online: Association for Computational Linguistics, 2021. https://doi.org/10.18653/v1/2021.acl-long.565.

• Dou, Y. “Is GPT-3 Text Indistinguishable from Human Text? Scarecrow: A Framework for Scrutinizing Machine Text.” Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics, 1 (2022). https://aclanthology.org/2022.acl-long.501/.

• Dowson, D. et al. “The Fréchet Distance between Multivariate Normal Distributions.” Journal of Multivariate Analysis 12, no. 3 (۱ سپتامبر ۱۹۸۲ (۱۰ شهریور ۱۳۶۱)): 450–55. https://doi.org/10.1016/004718 259X(82)90077-X.

Dugan, L. et al. “RoFT: A Tool for Evaluating Human Detection of Machine-Generated Text.” In Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing: System Demonstrations, edited by Qun Liu and David Schlangen, 189–96. Online: Association for Computational Linguistics, 2020. https://doi.org/10.18653/v1/2020.emnlp-demos.25.

Epstein, Ziv, et al. “What Label Should Be Applied to Content Produced by Generative AI?” PsyArXiv, ژوئیه ۲۰۲۳ (تیر ۱۴۰۲ تا مرداد ۱۴۰۲). https://osf.io/preprints/psyarxiv/v4mfz.

Friedman, S. et al. “Provenance as a Substrate for Human Sensemaking and Explanation of Machine Collaborators.” In 2021 IEEE International Conference on Systems, Man, and Cybernetics (SMC), 1014– 19, 2021. https://doi.org/10.1109/SMC52423.2021.9659278.

Gafurov, D. et al. “Spoof Attacks on Gait Authentication System.” IEEE Transactions on Information Forensics and Security 2, no. 3 (سپتامبر ۲۰۰۷ (شهریور ۱۳۸۶ تا مهر ۱۳۸۶)): 491–502. https://doi.org/10.1109/TIFS.2007.902030.

Gebru, T. et al. “Datasheets for Datasets.” CACM (دسامبر ۲۰۲۱ (آذر ۱۴۰۰ تا دی ۱۴۰۰)). https://arxiv.org/abs/1803.09010.

“Glossary.” Trustworthy & Responsible AI Resource Center, NIST, DOC, n.d. https://airc.nist.gov/AI_RMF_Knowledge_Base/Glossary.

Goodfellow, Ian. “NIPS 2016 Tutorial: Generative Adversarial Networks (GANs).” arXiv:1701.00160 [Cs], ۳ آوریل ۲۰۱۷ (۱۴ فروردین ۱۳۹۶). http://arxiv.org/abs/1701.00160.

Gragnaniello, D. “Detection of AI-Generated Synthetic Faces.” In Handbook of Digital Face Manipulation and Detection: From DeepFakes to Morphing Attacks, edited by Christian Rathgeb, Ruben Tolosana, Ruben Vera-Rodriguez, and Christoph Busch, 191–212. Advances in Computer Vision and Pattern Recognition. Cham: Springer International Publishing, 2022. https://doi.org/10.1007/978-3-030-8766439 7_9.

• Hämäläinen, P. et al. “Evaluating Large Language Models in Generating Synthetic HCI Research Data: A Case Study.” In Proceedings of the 2023 CHI Conference on Human Factors in Computing Systems, 1–19. CHI ’23. New York, NY, USA: Association for Computing Machinery, 2023. https://doi.org/10.1145/3544548.3580688.

• Hartmann, J. et al. “The Power of Generative Marketing: Can Generative AI Reach Human-Level Visual Marketing Content?” SSRN Scholarly Paper. Rochester, NY, ۱۲ ژوئیه ۲۰۲۳ (۲۱ تیر ۱۴۰۲). https://doi.org/10.2139/ssrn.4597899.

• Hernandez, J.R. et al. “Statistical analysis of watermarking schemes for copyright protection of images.” Proceedings of the IEEE, 87 (7) (ژوئیه ۱۹۹۹ (تیر ۱۳۷۸ تا مرداد ۱۳۷۸)). https://ieeexplore.ieee.org/document/771069.

• Heusel, M. et al. “GANs Trained by a Two Time-Scale Update Rule Converge to a Local Nash

• Equilibrium.” In Advances in Neural Information Processing Systems, Vol. 30. Curran Associates, Inc., 2017.

• https://proceedings.neurips.cc/paper_files/paper/2017/hash/8a1d694707eb0fefe65871369074926dAbstract.html.

Hong, Y. et al. “How Generative Adversarial Networks and Their Variants Work: An Overview.” ACM Computing Surveys 52, no. 1 (۱۳ فوریه ۲۰۱۹ (۲۴ بهمن ۱۳۹۷)): 10:1-10:43. https://doi.org/10.1145/3301282.

Isola, P. et al. “Image-to-Image Translation with Conditional Adversarial Networks.” In 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 5967–76, 2017. https://doi.org/10.1109/CVPR.2017.632.

Jalui, K. et al. “Synthetic Content Detection in Deepfake Video Using Deep Learning.” In 2022 IEEE 3rd Global Conference for Advancement in Technology (GCAT), 01–05, 2022. https://doi.org/10.1109/GCAT55367.2022.9972081.

Japkowicz, N. et al. Evaluating Learning Algorithms A Classification Perspective. Cambridge University Press, 2014. http://www.cambridge.org/us/academic/subjects/computer-science/pattern-recognitionand-machine-learning/evaluating-learning-algorithms-classification-perspective.

Japkowicz, N. et al. “Performance Evaluation for Learning Algorithms: Techniques, Application and Issues.” International Conference on Machine Learning (ICML) 2012, ۲۶ ژوئن ۲۰۱۲ (۶ تیر ۱۳۹۱). http://www.mohakshah.com/tutorials/icml2012/Tutorial-ICML2012/Tutorial_at_ICML_2012.html.

Karsh, R. et al. “Image Authentication Based on Robust Image Hashing with Geometric Correction.” Multimedia Tools and Applications 77, no. 19 (۱ اکتبر ۲۰۱۸ (۹ مهر ۱۳۹۷)): 25409–29. https://doi.org/10.1007/s11042-018-5799-6.

Khrulkov, V. et al. “Geometry Score: A Method For Comparing Generative Adversarial Networks.” In Proceedings of the 35th International Conference on Machine Learning, 2621–29. PMLR, 2018. https://proceedings.mlr.press/v80/khrulkov18a.html.

Kosuru, S. et al. “Efficiency Evaluation Parameters of Digital Image Watermarking Techniques.” In 2023 9th International Conference on Advanced Computing and Communication Systems (ICACCS), 1:1077– 82, 2023. https://doi.org/10.1109/ICACCS57279.2023.10113036.

Kreps, S. et al. “All the News That’s Fit to Fabricate: AI-Generated Text as a Tool of Media Misinformation.” Journal of Experimental Political Science 9, no. 1 (مارس ۲۰۲۲ (اسفند ۱۴۰۰ تا فروردین ۱۴۰۱)): 104–17. https://doi.org/10.1017/XPS.2020.37.

• Lage, I. et al. “Human Evaluation of Models Built for «تفسیرپذیری» (Interpretability).” Proceedings of the AAAI

• Conference on Human Computation and Crowdsourcing, 7 (2019). https://ojs.aaai.org/index.php/HCOMP/article/view/5280.

• Lee, S. et al. “Towards Better Understanding of Training Certifiably Robust Models against «نمونه‌های خصمانه» (Adversarial Examples).” In Advances in Neural Information Processing Systems, 34:953–64. Curran Associates, Inc., 2021. https://proceedings.neurips.cc/paper/2021/hash/07c5807d0d927dcd0980f86024e5208b7 Abstract.html.

• Leibowicz, C. et al. “The Deepfake Detection Dilemma: A Multistakeholder Exploration of Adversarial Dynamics in Synthetic Media.” In Proceedings of the 2021 AAAI/ACM Conference on AI, Ethics, and

• Society, 736–44. AIES ’21. New York, NY, USA: Association for Computing Machinery, 2021. https://doi.org/10.1145/3461702.3462584.

• Liang, P. et al. “Holistic Evaluation of «مدل‌های زبانی» (Language Models),” ۱۶ نوامبر ۲۰۲۲ (۲۵ آبان ۱۴۰۱). https://doi.org/10.48550/arXiv.2211.09110.

• Long, J. et al. “Fully Convolutional Networks for Semantic Segmentation,” 3431–40, 2015. https://openaccess.thecvf.com/content_cvpr_2015/html/Long_Fully_Convolutional_Networks_2015_C VPR_paper.html.

• Longpre, S. et al. “The Data Provenance Initiative: A Large Scale «حسابرسی» (Audit) of Dataset Licensing & Attribution in AI.” arXiv, ۴ نوامبر ۲۰۲۳ (۱۳ آبان ۱۴۰۲). https://doi.org/10.48550/arXiv.2310.16787.

• Lucic, M. et al. “Are «شبکه‌های مولد رقابتی» (Generative Adversarial Networks, GANs) Created Equal? A Large-Scale Study.” In Proceedings of the 32nd International Conference on Neural Information Processing Systems, 698–707. NIPS’18. Red Hook, NY, USA: Curran Associates Inc., 2018. https://arxiv.org/abs/1711.10337.

• Lüthi, P. et al. “Distributed Ledger for «رهگیری منشأ» (Provenance Tracking) of Artificial Intelligence Assets.” In Privacy and Identity Management. Data for Better Living: AI and Privacy: 14th IFIP WG 9.2, 9.6/11.7, 11.6/SIG 9.2.2 International Summer School, Windisch, Switzerland, August 19–23, 2019, Revised Selected Papers, 411–26. IFIP Advances in Information and Communication Technology. Cham: Springer International Publishing, 2020. https://doi.org/10.1007/978-3-030-42504-3_26.

Martin, A. et al. “The DET Curve in Assessment of «تشخیص» (Detection) Task Performance.” In Fifth European Conference on Speech Communication and Technology, EUROSPEECH 1997. Rhodes, Greece, 1997. http://www.isca-speech.org/archive/eurospeech_1997/e97_1895.html.

Mitchell, M. et al. “«کارت مدل» (Model Card) for Model Reporting.” FAT '19 (2019). https://dl.acm.org/doi/10.1145/3287560.3287596.

• “Model Card Guidebook.” Hugging Face, n.d. https://huggingface.co/docs/hub/main/model-card33 guidebook.

Morales-García, J. et al. “Evaluation of Synthetic Data Generation for Intelligent Climate Control in Greenhouses.” Applied Intelligence 53, no. 21 (۱ نوامبر ۲۰۲۳ (۱۰ آبان ۱۴۰۲)): 24765–81. https://doi.org/10.1007/s10489-023-04783-2.

Nakagawa, T. et al. “How «خاستگاه داده» (Data provenance) Helps Quality Assurance Activities in AI/ML Systems.” In Proceedings of the Second International Conference on AI-ML Systems, 1–9. AIML Systems ’22. New York, NY, USA: Association for Computing Machinery, 2023. https://doi.org/10.1145/3564121.3564801.

• Nangia, N. et al. “CrowS-Pairs: A Challenge Dataset for Measuring Social Biases in Masked Language Models.” arXiv:2010.00133 [Cs], ۳۰ سپتامبر ۲۰۲۰ (۹ مهر ۱۳۹۹). http://arxiv.org/abs/2010.00133.

• Neekhara, P. et al. “FaceSigns: Semi-Fragile Neural «واترمارک‌گذاری» (Watermarking) for Media Authentication and Countering «دیپ‌فیک» (Deepfakes).” arXiv, April, 2022. https://doi.org/10.48550/arXiv.2204.01960.

• 3 Olsson, C. et al. “Skill Rating for Generative Models.” arXiv:1808.04888 [Cs, Stat], ۱۴ اوت ۲۰۱۸ (۲۳ مرداد ۱۳۹۷). 4 http://arxiv.org/abs/1808.04888.

• Vassilev, A. et al. “«یادگیری ماشین خصمانه» (Adversarial Machine Learning, AML): A Taxonomy and Terminology of Attacks and

• Mitigations (Draft).” National Institute of Standards and Technology, March, 2023.

• 7 https://csrc.nist.gov/pubs/ai/100/2/e2023/final.

• 8 Papernot, N. et al. “«انتقال‌پذیری» (Transferability) in Machine Learning: From Phenomena to Black-Box Attacks Using Adversarial Samples.” arXiv, ۲۳ مه ۲۰۱۶ (۳ خرداد ۱۳۹۵). https://doi.org/10.48550/arXiv.1605.07277.

• Papernot, N. et al. “Practical Black-Box Attacks against Machine Learning.” In Proceedings of the 2017 ACM on Asia Conference on Computer and Communications Security, 506–19. ASIA CCS ’17. New York, NY, USA: Association for Computing Machinery, 2017. https://doi.org/10.1145/3052973.3053009.

Phillips, P. J. et al. “FERET Evaluation Methodology for Face-Recognition Algorithms.” NIST IR. «مؤسسه ملی استاندارد و فناوری آمریکا» (NIST), ۱ اکتبر ۱۹۹۸ (۹ مهر ۱۳۷۷). https://www.nist.gov/publications/feret15 evaluation-methodology-face-recognition-algorithms.

Phillips, P. J. et al. “The FERET Evaluation Methodology for Face-Recognition Algorithms.” IEEE Transactions on Pattern Analysis and Machine Intelligence 22, no. 10 (اکتبر ۲۰۰۰ (مهر ۱۳۷۹ تا آبان ۱۳۷۹)): 1090–1104. https://doi.org/10.1109/34.879790.

Pillutla, K. et al. «MAUVE: Measuring the Gap Between Neural Text and Human Text Using Divergence Frontiers.» در Advances in Neural Information Processing Systems، 34:4816–28. Curran Associates, Inc.، 2021. https://proceedings.neurips.cc/paper/2021/hash/260c2432a0eecc28ce03c10dadc078a4- Abstract.html.

Preu, E. et al. «Perception vs. Reality: Understanding and Evaluating the Impact of Synthetic Image Deepfakes over College Students.» در 2022 IEEE 13th Annual Ubiquitous Computing, Electronics & Mobile Communication Conference (UEMCON)، 0547–53، 2022. https://doi.org/10.1109/UEMCON54665.2022.9965697.

Pu, J. et al. «Deepfake Text Detection: Limitations and Opportunities.» در 2023 IEEE Symposium on Security and Privacy (SP)، 1613–30، 2023. https://doi.org/10.1109/SP46215.2023.10179387.

Qin, C. et al. «A Novel Image Hashing Scheme with Perceptual Robustness Using Block Truncation Coding.» Information Sciences 361–362 (۲۰ سپتامبر ۲۰۱۶ (۳۰ شهریور ۱۳۹۵)): 84–99. https://doi.org/10.1016/j.ins.2016.04.036.

Raji, I. et al. «Closing the AI Accountability Gap: Defining an End-to-End Framework for Internal Algorithmic Auditing.» FAT ’20 (ژانویه ۲۰۲۰ (دی ۱۳۹۸ تا بهمن ۱۳۹۸)). https://dl.acm.org/doi/pdf/10.1145/3351095.3372873.

Richards, J, et al. «A Human-Centered Methodology for Creating AI FactSheets.» Bulletin of the IEEE Computer Society Technical Committee on Data Engineering، 2021.

http://sites.computer.org/debull/A21dec/p47.pdf.

Roman, A. et al. «Open Datasheets: Machine-readable Documentation for Open Datasets and Responsible AI Assessments.» arXiv، دسامبر ۲۰۲۳ (آذر ۱۴۰۲ تا دی ۱۴۰۲). https://arxiv.org/abs/2312.06153.

• Salimans, T. et al. «Improved Techniques for Training GANs.» در Advances in Neural Information Processing Systems، ویراستاران D. Lee, M. Sugiyama, U. Luxburg, I. Guyon و R. Garnett، :2234–42. Curran Associates, Inc.، 2016. https://proceedings.neurips.cc/paper/2016/file/8a3363abe792db2d8761d6403605aeb7-Paper.pdf.

• Salvi, D. et al. «Synthetic Speech Detection through Audio Folding.» در Proceedings of the 2nd ACM International Workshop on Multimedia AI against Disinformation، 3–9. MAD ’23. نیویورک، نیویورک، ایالات متحده: Association for Computing Machinery، 2023. https://doi.org/10.1145/3592572.3592844.

• Salvi, D. et al. «TIMIT-TTS: A Text-to-Speech Dataset for Multimodal Synthetic Media Detection.» IEEE Access (2023): 50851–66. https://doi.org/10.1109/ACCESS.2023.3276480.

Shaik, A. et al. «A Review of Hashing Based Image Authentication Techniques.» Multimedia Tools and 11 Applications 81، شماره 2 (۱ ژانویه ۲۰۲۲ (۱۱ دی ۱۴۰۰)): 2489–2516. https://doi.org/10.1007/s11042-021-11649-7.

Singh, R. et al. «Video Content Authentication Techniques: A Comprehensive Survey.» Multimedia Systems 24، شماره 2 (۱ مارس ۲۰۱۸ (۱۰ اسفند ۱۳۹۶)): 211–40. https://doi.org/10.1007/s00530-017-0538-9.

• Singla, S. et al. «Second-Order Provable Defenses against Adversarial Attacks.» arXiv، ۱ ژوئن ۲۰۲۰ (۱۲ خرداد ۱۳۹۹). https://doi.org/10.48550/arXiv.2006.00731.

• Sokolova, M. et al. «A Systematic Analysis of Performance Measures for Classification Tasks.» Information Processing & Management 45، شماره 4 (ژوئیه ۲۰۰۹ (تیر ۱۳۸۸ تا مرداد ۱۳۸۸)): 427–37.

• https://doi.org/10.1016/j.ipm.2009.03.002.

• Srivastava, A. et al. «Beyond the Imitation Game: Quantifying and Extrapolating the Capabilities of Language Models.» arXiv، ۱۲ ژوئن ۲۰۲۳ (۲۲ خرداد ۱۴۰۲). https://doi.org/10.48550/arXiv.2206.04615.

• Steinebach, M., et al. «StirMark Benchmark: Audio Watermarking Attacks.» در Proceedings International Conference on Information Technology: Coding and Computing، 49–54، 2001.

• https://doi.org/10.1109/ITCC.2001.918764.

• Szegedy, C. et al. «Intriguing Properties of Neural Networks.» arXiv، فوریه ۲۰۱۴ (بهمن ۱۳۹۲ تا اسفند ۱۳۹۲). https://doi.org/10.48550/arXiv.1312.6199.

Theis, L. et al. «A Note on the Evaluation of Generative Models.» arXiv، ۲۴ آوریل ۲۰۱۶ (۵ اردیبهشت ۱۳۹۵). https://doi.org/10.48550/arXiv.1511.01844.

Toff, B. et al. «"Or they could just not use it?": The Paradox of AI Disclosure for Audience Trust in News.» arXiv، دسامبر ۲۰۲۳ (آذر ۱۴۰۲ تا دی ۱۴۰۲). https://osf.io/preprints/socarxiv/mdvak.

Uchendu, A. et al. «TURINGBENCH: A Benchmark Environment for Turing Test in the Age of Neural Text Generation.» در Findings of the Association for Computational Linguistics: EMNLP 2021، ویراستاران MarieFrancine Moens، Xuanjing Huang، Lucia Specia و Scott Wen-tau Yih، 2001–16. پونتا کانا، جمهوری دومینیکن: Association for Computational Linguistics، 2021. https://doi.org/10.18653/v1/2021.findingsemnlp.172.

Uchendu, A. et al. «Tutorial on Artificial Text Detection.» آموزشی، The 15th International Language Generation Conference (INLG 2022)، ۱۸ ژوئیه ۲۰۲۲ (۲۷ تیر ۱۴۰۱). https://artificial-text-detection.github.io/.

Vives, C. «NoiseLearner: An Unsupervised, Content-Agnostic Approach to Detect Deepfake Images.» Virginia Tech، 2022. http://hdl.handle.net/10919/109381.

• Voloshynovskiy, S. et al. «Attack Modelling: Towards a Second Generation Watermarking Benchmark.» Signal Processing، بخش ویژه: جنبه‌های نظریه اطلاعاتِ واترمارک دیجیتال، 81، شماره 6 (۱ ژوئن ۲۰۰۱ (۱۱ خرداد ۱۳۸۰)): 1177–1214. https://doi.org/10.1016/S0165-1684(01)00039-1.

• Voloshynovskiy, S. et al. «Attacks on Digital Watermarks: Classification, Estimation Based Attacks, and

• Benchmarks.» IEEE Communications Magazine، شماره 8 (اوت ۲۰۰۱ (مرداد ۱۳۸۰ تا شهریور ۱۳۸۰)): 118–26. https://doi.org/10.1109/35.940053.

• Wang, Z., et al. «Mean Squared Error: Love It or Leave It? A New Look at Signal Fidelity Measures.» IEEE Signal Processing Magazine، شماره 1 (ژانویه ۲۰۰۹ (دی ۱۳۸۷ تا بهمن ۱۳۸۷)): 98–117.

• https://doi.org/10.1109/MSP.2008.930649.

• Weng, L. et al. «Towards an Understanding and Explanation for Mixed-Initiative Artificial Scientific Text Detection.» arXiv، آوریل ۲۰۲۳ (فروردین ۱۴۰۲ تا اردیبهشت ۱۴۰۲). https://arxiv.org/pdf/2304.05011.pdf.

Willis, C. et al. «Analysis and Synthesis of Metadata Goals for Scientific Data.» Journal of the American Society for Information Science and Technology، 63 (8) (اوت ۲۰۱۲ (مرداد ۱۳۹۱ تا شهریور ۱۳۹۱)): 1505-1520. https://onlinelibrary.wiley.com/doi/abs/10.1002/asi.22683.

Wu, J. et al. «A Survey on LLM-generated Text Detection: Necessity, Methods, and Future Directions.» arXiv، اکتبر ۲۰۲۳ (مهر ۱۴۰۲ تا آبان ۱۴۰۲). https://arxiv.org/pdf/2310.14724.pdf.

Xiang, Z. et al. “Forensic Analysis of Video Files Using Metadata.” Proceedings of the IEEE/CVF

Conference on Computer Vision and Pattern Recognition (CVPR) Workshops. (2021): 1042-1051. https://openaccess.thecvf.com/content/CVPR2021W/WMF/html/Xiang_Forensic_Analysis_of_Video_Fil es_Using_Metadata_CVPRW_2021_paper.html.

• https://papers.neurips.cc/paper_files/paper/2019/hash/3e9f0fc9b2f89e043bc6233994dfcf76Abstract.html.

Xu, Q. et al. “An Empirical Study on Evaluation Metrics of Generative Adversarial Networks.” arXiv, ۱۶ اوت ۲۰۱۸ (۲۵ مرداد ۱۳۹۷). https://doi.org/10.48550/arXiv.1806.07755.

Yang, X. et al. “A Survey on Detection of LLMs-Generated Content.” arXiv, ۲۴ اکتبر ۲۰۲۳ (۲ آبان ۱۴۰۲). https://doi.org/10.48550/arXiv.2310.15654.

Yu, D. et al. “Watermark Detection and Extraction Using Independent Component Analysis Method.” EURASIP Journal on Advances in Signal Processing (ژانویه ۲۰۲۲ (دی ۱۴۰۰ تا بهمن ۱۴۰۰)). https://link.springer.com/article/10.1155/S111086570200046X.

Zellers, R. et al. “Defending Against Neural Fake News.” In Advances in Neural Information Processing Systems, Vol. 32. Curran Associates, Inc., 2019.