Mert Kaya
MenuChiudi

Ricerca

Studio se una risposta dell’IA è corretta, se il suo grado di sicurezza è attendibile e quali parti di un’immagine hanno influito sul risultato. Qui sono disponibili pubblicazioni, codice e modelli pubblicati.

Pubblicazioni

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)

Accettato, sarà pubblicato su IEEE Xplore.

Un articolo accettato che confronta nove modi di addestrare un rilevatore di deepfake: l’accuratezza, la corrispondenza tra il grado di sicurezza e i risultati, e le parti del volto su cui si basa.

Citazione (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, Relatrice: Venera Adanova

Tesi magistrale, TED University,

La tesi confronta diversi modi di addestrare modelli che riconoscono volti modificati dall’IA nei video. Le mappe di calore mostrano le zone del volto che hanno influito su ogni risultato.

Citazione (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

Preprint pubblico senza revisione paritaria. Il codice, i dati, i modelli e il benchmark di Eldalambë sono privati.

L’articolo studia Eldalambë, un assistente per le lingue elfiche inventate da Tolkien, Quenya e Sindarin. La versione adottata, Pro-Preserve, scrive la frase attesa in 40 richieste di test su 100, rispetto alle 21 della versione precedente, Pro2508, e riconosce le parole di Tolkien in 277 casi su 300, rispetto ai 259 di Pro2508.

Citazione (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}
}

Aree di ricerca

Modelli per prendere decisioni

I modelli JevAlt leggono una situazione, scelgono una delle risposte disponibili e assegnano una probabilità a ciascuna. I test verificano sia la risposta sia la corrispondenza tra quella probabilità e la frequenza reale delle risposte corrette.

Assistenti di IA per le attività

Gli assistenti di IA hanno bisogno di informazioni condivise e limiti chiari sulle azioni. Tholos offre sul proprio computer tabelle, note, attività e regole di autorizzazione.

Rilevamento dei deepfake

I deepfake sono video in cui l’IA ha modificato o sostituito un volto. Confronto diversi metodi di addestramento dei rilevatori e uso mappe di calore per mostrare le zone del volto che hanno influito su ogni risultato.

Le lingue elfiche di Tolkien

Eldalambë aiuta a leggere e scrivere le lingue elfiche inventate da Tolkien, Quenya e Sindarin, e la loro scrittura Tengwar. L’articolo è pubblico; codice, dati, file del modello e domande di test sono privati.