Neuroevolução de redes LSTM: uma aplicação na detecção de engano via voz

Abstract

A tarefa de detectar mentiras tem uma longa história, desde o uso do polígrafo e, recentemente, a detecção de mentiras em conversas tem se mostrado um desafio complexo. A utilização dessa tecnologia pode ser aplicada em diversas áreas, como segurança, cibersegurança, recursos humanos, psicologia e também para interrogatório de suspeitos. Devido à dificuldade de detectar mentiras por meio da fala, muitas abordagens estão aplicando aprendizado de máquina combinando áudio da fala e características textuais da transcrição de áudio. Muitas técnicas foram desenvolvidas para detectar mentiras por meio da fala, e o objetivo deste trabalho é discutir mais detalhadamente essas abordagens que foram identificadas por meio de uma revisão sistemática da literatura. Assim, este trabalho apresenta um histórico que mostra aspectos da mentira, detecção de mentiras e técnicas usadas para esse propósito. Também são discutidas técnicas baseadas em aprendizado profundo para detectar mentiras, bem como outros aspectos, como conjuntos de dados e métricas disponíveis. Além disso, o objetivo é obter melhores resultados na detecção de mentiras por meio da proposta de uma abordagem de Neuroevolução, que combina redes neurais e algoritmo genético. Os resultados do método proposto alcançaram uma pontuação F1-score de 63,06% sem overfitting, utilizando o conjunto de dados Bag-of-Lies. Os resultados mostram que a abordagem proposta pode servir para melhorar as arquiteturas de redes neurais por meio de evolução guiada, e pode ser estendida para outras tarefas. Além disso, o desempenho da abordagem pode ser ainda mais otimizado investigando outras características das redes Long short-term memory (LSTM), como configurações ótimas de hiperparâmetros. Finalmente, conclui-se este trabalho discutindo as limitações e examinando trabalhos promissores e futuros.

Abstract: The task of detecting deception has a long history since using the polygraph and, not long ago, spot deception in conversational speech has been proved to be a complex challenge. The use of this technology can be applied in many fields such as security, cybersecurity, human resources, psychology and also for suspect interrogation. Due to the difficulty of detecting lies through speech, many approaches are applying machine learning combining audio of speech and textual characteristics from audio transcription. Many techniques have been developed to spot deceit through speech, and the purpose of this work is to discuss in more detail these approaches that were identified by a systematic literature review. Thus, we present aspects of lying, deception detection and techniques used for this purpose. Also, we discuss deep learning-based techniques to detect deception and also other aspects such as available datasets and metrics. Moreover, we aim to obtain better results in deception detection by proposing a Neuroevolution approach, which combines Neural Networks and Genetic Algorithm. The results of our method achieved a f1-score of 63.06% with no overfitting, using the Bag-of-Lies dataset. Our results show that our approach can be useful for improving neural network architectures through guided evolution, and it can be extended to other tasks. Moreover, the performance of our approach can be further optimized by investigating other characteristics of Long short-term memory (LSTM) networks, such as optimal hyper-parameter configurations. Finally, we conclude this work by arguing the limitations and examining promising and future works.