Final Examination of the Industrial PhD Programme in Big Data and Artificial Intelligence Ordinary Session 21 April 2026 PhD Vittorio Stile

Description

Other (Italian)

Questa pagina raccoglie i materiali di ricerca e la presentazione relativi alla difesa finale della tesi di dottorato di Vittorio Stile, intitolata AI-generated Deepfakes: Detection and Bias Analysis. Il lavoro è stato sviluppato nell'ambito del Corso di Dottorato Industriale in Big Data e Artificial Intelligence, Curriculum in Big data management for the digital transition, XXXVIII Ciclo, presso l'Universitas Mercatorum, Università telematica delle Camere di Commercio Italiane. La ricerca è stata supervisionata dal Tutor Prof. Roberto Caldelli e dalla Co-tutrice Dott.ssa Elena Santi, finanziata tramite borsa di studio PNRR D.M. 352/2022 e co-finanziata da PricewaterhouseCoopers Business Services SRL.

Il percorso accademico triennale ha seguito un approccio fortemente multidisciplinare e collaborativo. Durante i primi due anni, l'attività ha integrato la ricerca scientifica universitaria con l'applicazione industriale presso PwC Italia Srl. Successivamente, tra il secondo e il terzo anno, il progetto ha visto un'importante estensione internazionale attraverso un periodo di ricerca all'estero presso l'Università di Cadice in Spagna. Questa esperienza ha permesso di fare evolvere gli obiettivi iniziali, focalizzati sui metodi standard di rilevamento dei deepfake basati su reti neurali, verso un framework avanzato incentrato sullo studio degli attributi visivi, sulle vulnerabilità dei dataset e sull'interpretabilità dei modelli.

Il tema centrale e il principale contributo scientifico della tesi riguardano l'indagine sistematica su come gli attributi facciali ad alto livello possano influenzare le prestazioni e l'equità dei modelli di DeepFake detection. Poiché i generatori di falsi multimediali raggiungono un realismo indistinguibile per la percezione umana, i rilevatori automatici mostrano spesso vulnerabilità e bias nascosti ereditati dai dati di addestramento. Lo studio analizza in modo dettagliato la correlazione diretta tra gli errori di classificazione di un rilevatore a livello di frame pre-addestrato e le caratteristiche visive dei soggetti. Ciascun video del dataset FaceForensics++ è stato annotato automaticamente con etichette aggiuntive relative a genere, colore dei capelli, lunghezza dei capelli, visibilità delle orecchie ed etnia, sfruttando una pipeline di riconoscimento semi-superata degli attributi facciali.

Per isolare il bias di generalizzazione, la ricerca ha previsto sessioni di addestramento con esclusioni controllate mantenendo un set di test unificato. I risultati sperimentali dimostrano che, rispetto a una configurazione base senza esclusioni che raggiunge un'accuratezza di 0.806 e un AUC di 0.823, l'esclusione dei campioni con orecchie visibili provoca il degrado prestazionale più marcato, facendo scendere l'accuratezza a 0.741 e l'AUC a 0.763. Al contrario, l'esclusione di soggetti con orecchie non visibili mostra un effetto molto più lieve, con un'accuratezza di 0.813 e un AUC di 0.832. La lunghezza dei capelli evidenzia un impatto moderato ma costante che interagisce direttamente con la visibilità delle orecchie. Lo studio spiega inoltre l'asimmetria riscontrata nella matrice di confusione come conseguenza delle soglie di punteggio fisse e dell'aggregazione a livello video di tipo k-of-n. Le evidenze emerse dimostrano che la visibilità delle orecchie costituisce un fattore critico per una discriminazione robusta tra reale e falso, motivando l'adozione di strategie di addestramento attente agli attributi, come la cura mirata dei dati, l'aumento specifico delle caratteristiche facciali e la calibrazione delle soglie. Il framework proposto offre linee guida operative per mitigare i bias e supporta lo sviluppo di sistemi di DeepFake detection più interpretabili e affidabili sul piano operativo.