Forschung

Ich untersuche, ob eine KI-Antwort richtig ist, ob ihre Sicherheit verlässlich ist und welche Bildbereiche ein Ergebnis beeinflusst haben. Die Publikationen, der Code und die veröffentlichten Modelle sind hier verlinkt.

Publikationen

Augmentation and Cutout in Deepfake Detection: A Comparative Study of Accuracy, Calibration, and Attention

Mert Kaya, Venera Adanova

UBMK 2026, 11th International Conference on Computer Science and Engineering, Istanbul (IEEE)

In IEEE Xplore veröffentlicht, , 78-83

Ein Beitrag, der neun Trainingsverfahren für einen Deepfake-Detektor vergleicht: seine Genauigkeit, die Verlässlichkeit seiner Sicherheitsangaben und die Gesichtsbereiche, auf die er sich stützt.

Literaturangabe (BibTeX)
@inproceedings{kaya2026augmentation,
  author    = {Kaya, Mert and Adanova, Venera},
  title     = {Augmentation and Cutout in Deepfake Detection: A Comparative Study of Accuracy, Calibration, and Attention},
  booktitle = {2026 11th International Conference on Computer Science and Engineering (UBMK)},
  pages     = {78--83},
  year      = {2026},
  publisher = {IEEE},
  doi       = {10.1109/UBMK71847.2026.11745298},
  url       = {https://ieeexplore.ieee.org/document/11745298}
}

Explainable deepfake detection using frame level CNN models: A comparative study of augmentation and cutout techniques

Mert KayaVenera Adanova

Masterarbeit, TED University,

Die Masterarbeit vergleicht Trainingsverfahren für Modelle, die KI-veränderte Gesichter in Videos erkennen. Heatmaps zeigen, welche Gesichtsregionen jedes Ergebnis beeinflusst haben.

Literaturangabe (BibTeX)
@mastersthesis{kaya2025explainable,
  author = {Kaya, Mert},
  title = {Explainable deepfake detection using frame level CNN models: A comparative study of augmentation and cutout techniques},
  school = {TED University},
  year = {2025},
  doi = {10.5281/zenodo.18998566}
}

Language Preservation Using Agentic AI Architectures: A Tool-Grounded Small Language Model on a Constructed-Language Testbed

Mert Kaya

Öffentlicher Preprint ohne Peer-Review. Code, Daten, Modelle und Benchmark von Eldalambë sind privat.

Die Arbeit untersucht Eldalambë, einen Assistenten für Tolkiens erfundene Elbensprachen Quenya und Sindarin. Die eingesetzte Version Pro-Preserve schreibt den erwarteten Satz bei 40 von 100 Testanfragen, die frühere Version Pro2508 bei 21. Pro-Preserve erkennt Tolkiens Wörter in 277 von 300 Fällen, Pro2508 in 259.

Literaturangabe (BibTeX)
@techreport{kaya2026eldalambe,
  author = {Kaya, Mert},
  title = {Language Preservation Using Agentic {AI} Architectures: A Tool-Grounded Small Language Model on a Constructed-Language Testbed},
  institution = {Eschatia Labs},
  year = {2026},
  url = {https://eschatialabs.com/research/eldalambe-2026/},
  note = {Preprint, not peer-reviewed}
}

Forschungs­gebiete

Modelle für Entscheidungen

JevAlt-Modelle lesen eine Situation, wählen eine der vorgegebenen Antworten und geben für jede Antwort eine Wahrscheinlichkeit an. Die Tests prüfen sowohl die Antwort als auch, ob diese Wahrscheinlichkeit zur tatsächlichen Trefferquote passt.

KI-Assistenten

KI-Assistenten brauchen gemeinsame Informationen und Grenzen für ihre Aktionen. Tholos bietet Tabellen, Notizen und Berechtigungsregeln auf dem eigenen Rechner.

Deepfake-Erkennung

Deepfakes sind Videos, in denen KI ein Gesicht verändert oder ersetzt hat. Ich vergleiche Trainingsmethoden für Detektoren und zeige mit Heatmaps, welche Gesichtsregionen jedes Ergebnis beeinflusst haben.

Tolkiens Elbensprachen

Eldalambë hilft beim Lesen und Schreiben von Tolkiens erfundenen Elbensprachen Quenya und Sindarin sowie ihrer Schrift Tengwar. Das Paper ist öffentlich; Code, Daten, Modelldateien und Testaufgaben sind privat.