Mert Kaya
MenúCerrar

Investigación

Estudio si una respuesta de IA es correcta, si su grado de confianza es fiable y qué partes de una imagen influyeron en el resultado. Aquí se enlazan las publicaciones, el código y los modelos publicados.

Publicaciones

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)

Aceptado, se publicará en IEEE Xplore.

Un artículo aceptado que compara nueve formas de entrenar un detector de deepfakes y mide la exactitud, la correspondencia entre su grado de confianza y los resultados, y las zonas del rostro que utiliza.

Cita (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 = {UBMK 2026, 11th International Conference on Computer Science and Engineering},
  year = {2026},
  note = {Accepted; to appear in IEEE Xplore}
}

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

Mert Kaya, Directora: Venera Adanova

Tesis de maestría, TED University,

La tesis compara varias formas de entrenar modelos que reconocen rostros modificados por IA en videos. Los mapas de calor muestran qué zonas del rostro influyeron en cada resultado.

Cita (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

Prepublicación pública sin revisión por pares. El código, los datos, los modelos y la prueba comparativa de Eldalambë son privados.

El artículo estudia Eldalambë, un asistente para las lenguas élficas inventadas por Tolkien, Quenya y Sindarin. La versión adoptada, Pro-Preserve, escribe la frase esperada en 40 de 100 solicitudes de prueba, frente a 21 de la versión anterior, Pro2508, e identifica las palabras de Tolkien en 277 de 300 casos, frente a 259 de Pro2508.

Cita (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}
}

Áreas de investigación

Modelos para tomar decisiones

Los modelos JevAlt leen una situación, eligen una de las respuestas disponibles y asignan una probabilidad a cada una. Las pruebas comprueban tanto la respuesta como si esa probabilidad coincide con la frecuencia real de aciertos.

Asistentes de IA para tareas

Los asistentes de IA necesitan información compartida y límites claros para sus acciones. Tholos ofrece tablas, notas y reglas de permisos en su computadora.

Detección de deepfakes

Los deepfakes son videos en los que la IA ha modificado o sustituido un rostro. Comparo distintas formas de entrenar detectores y uso mapas de calor para mostrar las zonas del rostro que influyeron en cada resultado.

Las lenguas élficas de Tolkien

Eldalambë ayuda a leer y escribir las lenguas élficas inventadas por Tolkien, Quenya y Sindarin, y su escritura Tengwar. El artículo es público; el código, los datos, los archivos del modelo y las preguntas de prueba son privados.