שיוך מצלמה מקורית באמצעות רשת עצבית כוונתית מוסברת מבוססת חוקים

מדוע התמונות שלכם יכולות להגיד יותר ממה שאתם חושבים

כל תמונה שאתם מצלמים נושאת רמזים נסתרות על המצלמה שצילמה אותה. עבור חוקרים דיגיטליים, רמזים אלה יכולים לסייע לאשר אם תמונה היא אותנטית, לעקוב מאיזה מכשיר הגיעה, או לקשר תמונות בין זירות פשע שונות. כיום, כלי בינה מלאכותית חזקים מסוגלים לזהות דפוסים אלה טוב יותר מבני אדם — אך לעתים קרובות הם פועלים כ"קופסאות שחורות" מסתוריות. מאמר זה מציג דרך לפתוח את הקופסה: שיטה מבוססת חוקים שמסבירה כיצד מודל למידה עמוקה מחליט איזו מצלמה צילמה תמונה, בצורה שבוחן אנושי יכול להבין ולהתחבר אליה.

האתגר של לתת אמון בכלים חכמים לזיהוי עבירות

המשפט הדיגיטלי המודרני חייב לנפות כמויות עצומות של נתונים — מטלפונים חכמים, גיבויים בענן ורשתות חברתיות — הרחק מעבר למה שחוקרים יכולים לבדוק ידנית. מערכות למידה עמוקה יכולות במהירות לסמן תמונות או להציע אילו מהן חשובות, אך מנגנוניהן הפנימיים ידועים כבעייתיים בשקיפותו. בהקשרים רגישים כמו בתי משפט, מספיק לומר "הרשת העצבית חושבת כך" זה לא מספיק. כלי ההסבר הנוכחיים בדרך כלל מדגישים אזורים בתמונה שהמודל מצא חשובים, וזה מועיל במשימות כמו זיהוי פנים או עצמים. אך בזיהוי מקור מצלמה, האות הקריטי אינו תכונה נראית לעין אלא טביעת אצבע חיישנית חלשה — דפוסי רעש עדינים שאנשים אינם רואים. כתוצאה מכך, כלי ההסבר הוויזואליים של היום אינם מבהירים באופן חד מדוע המודל סבר שהתמונה הגיעה ממצלמה מסוימת, ואינם מסייעים לבוחנים לזהות מתי המודל טועה.

דרך חדשה לצפות במחשבת הרשת העצבית

המחברים מציגים את xDFAI, מסגרת שפותחה במיוחד למטרות פורנזיות דיגיטליות שמסבירה כיצד רשת עצבית קונבולוציונית (CNN) מגיעה להחלטותיה ללא שינוי המודל המקורי. במקום להתייחס לרשת כקופסה אטומה אחת, xDFAI בוחנת אותה שכבה אחר שכבה. עבור כל שכבה וכל מחלקת מצלמה, היא מזהה סט של דפוסים פנימיים חוזרים, הנקראים "עקבות", שמתלקחים בעקביות כאשר המודל סבור שהתמונה שייכת לאותה מצלמה. העקבות האלה נחלצים ממודל מאומן באמצעות שיטות ייחוס קיימות, ולאחר מכן מפולטרים כדי לשמור רק על דפוסים שמופיעים באופן אמין על פני תמונות אימון רבות. יחד, עקבות אלה יוצרים מפה מסודרת של האופן שבו הרמזים לזהות המצלמה מתפתחים כשהתמונה זורמת דרך הרשת.

להניח לשכבות להצביע ולהפוך הצבעות לכללים

לאחר שהעקבות מזוהות, xDFAI משתמשת בהן כדי לבחון תמונות חדשות שלא נראו קודם. עבור תמונת מבחן נתונה, המסגרת מודדת עד כמה ההפעלות הפנימיות שלה דומות לעקבות המאוחסנות עבור כל מצלמה בכל שכבה. כל שכבה למעשה מצביעה עבור דגמי המצלמה שהעקבות שלהם הכי דומות לה. "הצבעה" חוצת שכבות בהמשך מסכמת עד כמה ברורה התמיכה של הרשת בכל מועמד למצלמה. באופן מפתח, המחברים אינם משתמשים בהצבעה זו כדי להחליף את חיזוי המודל; הם משתמשים בה כבדיקה. כללים לוגיים פשוטים משווים את הצבעת הרוב לחיזוי המקורי: אם המצלמה שחוזה המודל גם זוכה לתמיכה חזקה מחלק גדול מהשכבות, ההחלטה מאושרת; אם ההצבעות מפוזרות או תומכות במצלמה שונה, ההתנהגות מסומנת כחריגה ומוצגת לבוחן כפוטנציאל לטעות של המודל.

העמדת המסגרת למבחן

כדי להדגים את xDFAI, המחברים מיישמים אותה על CNN בן שבע שכבות שאומן לזהות איזו מתוך 27 דגמי מצלמה צילמה תמונה, באמצעות מסד נתונים פורנזי מוכר. ה-CNN הבסיסי כבר מבצע טוב מאוד, ומסווג נכונה כשל כ-97% מתמונות המבחן. כאשר כללי xDFAI מוחלים מעליו, המערכת מסמנת באופן אוטומטי 27 מתוך 37 התחזיות השגויות כחשודות. מקרים שסומנו אינם נספרים עוד כהזדהויות בטוחות, מה שמעלה את הדיוק — החלק של ההחלטות שהתקבלו שהן אכן נכונות — מ-97.33% ל-99.2%, תוך הפחתה קלה בלבד בדיוק הכולל. בעבודת פורנזיקה, שבה שיוך שגוי יחיד יכול להוביל לתוצאות חמורות, פשרה זו רצויה מאוד: פחות חיובים שגויים בקרב המסקנות שהאנליסטים בוחרים לסמוך עליהן.

מה זה אומר לחקירות בעולם האמיתי

עבודה זו מראה שניתן לשמור על כל עוצמתו של מודל למידה עמוקה מודרני תוך הוספת הסברים ידידותיים לאדם שמכבדים כללי יושרה פורנזית — ללא אימון חוזר, ללא שינוי במודל המקורי וללא הסתמכות אך ורק על מפות חום מעורפלות. על ידי חשיפת עקבות פנימיות יציבות, צבירתן באמצעות סכימת הצבעה שקופה והבעת התוצאה ככללים פשוטים, xDFAI נותנת לבוחנים דרך לאשר או להטיל ספק בשיוכים של מצלמה שמנוהלים על ידי בינה מלאכותית. אף שהמחקר מתמקד בזיהוי מקור מצלמה, רעיונות זהים יכולים להיות מורחבים למשימות שיוך פורנזיות אחרות. בטווח הארוך, גישות מסוג זה עשויות לסייע לגשר על הפער בין מערכות בינה מלאכותית מדויקות מאוד לבין רמת השקיפות והאמינות הנדרשת בבתי משפט ובפרקטיקות חקירה.

ציטוט: Nayerifard, T., Amintoosi, H. & Ghaemi Bafghi, A. Source camera attribution using a rule-based explainable convolutional neural network. Sci Rep 16, 9137 (2026). https://doi.org/10.1038/s41598-026-40387-9

מילות מפתח: רדיפות דיגיטליות, בינה מלאכותית מוסברת, זיהוי מצלמה, רשתות עצביות עורפיות מצומדות, עבירות תמונה