{
  "fetched_at": "2026-10-19T10:28:19Z",
  "source_url": "https://www.kaggle.com/competitions/deepfake-detection-ufg/data",
  "pages": [
    {
      "name": "data-description",
      "content": "O dataset está descrito na seção overview. Use o sample_submission.csv para entender como deve ser o formato da submissão.\n\n## Files\n\n*   **train.csv** - the training set\n*   **test.csv** - the test set\n*   **sample_submission.csv** - a sample submission file in the correct format, **coloque id onde está \"filename\"**\n\n## Columns\n\n*   `id` - definition of example_id\n*   `label` - 0 para áudio real, 1 para áudio fake",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "## O Problema\n\nNesta competição, você terá a oportunidade de mergulhar no fascinante mundo da classificação de áudios como reais ou deepfakes. Seu modelo será um verdadeiro detetive digital, atribuindo uma probabilidade a cada áudio de ser uma falsificação. Quanto mais próximo de 1, mais convicto seu modelo estará de que o áudio é uma farsa. E quanto mais próximo de 0, mais o modelo acreditará que o áudio é autêntico.\n\n\n## O Dataset\n\nOs dados de treinamento estão organizados em duas pastas: `fake` e `real`, cada uma contendo os respectivos arquivos MP3. Então, se você quiser ouvir alguns exemplos de áudios reais e falsos para afinar seus ouvidos, é só mergulhar nessas pastas!\n\nJá o conjunto de testes é um pouco mais misterioso. Todos os áudios estão em uma única pasta, sem labels. É como um jogo de adivinhação, mas com o seu modelo fazendo o trabalho duro.\n\n## Formato de Submissão\n\nPara submeter suas previsões, você precisará criar um arquivo CSV onde cada linha contém o nome do arquivo MP3 da pasta de testes e a probabilidade de ser um deepfake. Aqui estão alguns exemplos:\n\nnome_do_arquivo,probabilidade\naudio_1,0.2\naudio_2,0.8\naudio_3,0.5\n\nNesse exemplo, o modelo prevê que `audio_1` tem 20% de chance de ser um deepfake, `audio_2` tem 80% de chance e `audio_3` tem 50% de chance.\n\nLembre-se: quanto mais próximo de 1, mais o modelo acredita que o áudio é falso, e quanto mais próximo de 0, mais ele acredita que é real.\n\nAgora é com você! Prepare seus modelos, afine seus ouvidos e vamos desvendar o mistério dos deepfakes de áudio juntos! 🕵️‍♂️🎧",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "## Avaliação: Cross-Entropy Loss\n\nA avaliação do seu modelo será feita usando a cross-entropy loss, uma métrica que mede a diferença entre as probabilidades previstas e as labels reais. Basicamente, ela penaliza seu modelo por estar muito confiante na direção errada. Portanto, o objetivo é minimizar essa perda e fazer com que seu modelo seja assertivo, mas não presunçoso.\n\n## O Problema\n\nNesta competição, você terá a oportunidade de mergulhar no fascinante mundo da classificação de áudios como reais ou deepfakes. Seu modelo será um verdadeiro detetive digital, atribuindo uma probabilidade a cada áudio de ser uma falsificação. Quanto mais próximo de 1, mais convicto seu modelo estará de que o áudio é uma farsa. E quanto mais próximo de 0, mais o modelo acreditará que o áudio é autêntico.\n\n## Avaliação: Cross-Entropy Loss\n\nA avaliação do seu modelo será feita usando a cross-entropy loss, uma métrica que mede a diferença entre as probabilidades previstas e as labels reais. Basicamente, ela penaliza seu modelo por estar muito confiante na direção errada. Portanto, o objetivo é minimizar essa perda e fazer com que seu modelo seja assertivo, mas não presunçoso.\n\nA cross-entropy loss é definida formalmente como:\n\n$$ \\text{CE} = -\\sum_{i=1}^{N} y_i \\log(\\hat{y}_i) + (1 - y_i) \\log(1 - \\hat{y}_i) $$\n\nOnde:\nN é o número de amostras\ny_i é a label verdadeira (0 para real, 1 para fake)\ny^_i é a probabilidade prevista pelo modelo de a amostra ser fake\n\nEm outras palavras, a cross-entropy loss mede a dissimilaridade entre a distribuição de probabilidade prevista e a distribuição verdadeira.\n\n## O Dataset\n\nOs dados de treinamento estão organizados em duas pastas: `fake` e `real`, cada uma contendo os respectivos arquivos MP3. Então, se você quiser ouvir alguns exemplos de áudios reais e falsos para afinar seus ouvidos, é só mergulhar nessas pastas!\n\nJá o conjunto de testes é um pouco mais misterioso. Todos os áudios estão em uma única pasta, sem labels. É como um jogo de adivinhação, mas com o seu modelo fazendo o trabalho duro.\n\n## Formato de Submissão\n\nPara submeter suas previsões, você precisará criar um arquivo CSV onde cada linha contém o nome do arquivo MP3 da pasta de testes (sem a extensão `.mp3`) e a probabilidade de ser um deepfake. Aqui estão alguns exemplos:\nnome_do_arquivo,probabilidade\naudio_1,0.2\naudio_2,0.8\naudio_3,0.5\n\nNesse exemplo, o modelo prevê que `audio_1` tem 20% de chance de ser um deepfake, `audio_2` tem 80% de chance e `audio_3` tem 50% de chance.\n\nLembre-se: quanto mais próximo de 1, mais o modelo acredita que o áudio é falso, e quanto mais próximo de 0, mais ele acredita que é real.\n\nAgora é com você! Prepare seus modelos, afine seus ouvidos e vamos desvendar o mistério dos deepfakes de áudio juntos! 🕵️‍♂️🎧",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": " - Don't cheat!\n - Apply yourself!\n - Have fun!",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "abstract",
      "content": "# Bem-vindos à Competição de Detecção de Deepfakes de Áudio!\n\nPrepare seus ouvidos, pessoal! Nesta emocionante jornada, vamos mergulhar no mundo dos áudios sintéticos e separar os reais dos fakes com maestria. Imagine a cena: você está tranquilamente ouvindo um podcast quando, de repente, a voz do apresentador começa a soar estranha... Será que é ele mesmo ou um impostor digital?\n\n## O Desafio\n\nSua missão é criar um modelo de classificação capaz de distinguir áudios reais de deepfakes com precisão cirúrgica. Não se preocupe, não estamos pedindo que você desvende os mistérios do universo, apenas que identifique quando uma voz é autêntica ou não.\n\nA avaliação será baseada na cross-entropy loss, o que significa que não queremos dar probabilidades altas para áudios reais serem classificados como fakes, ou vice-versa. Esses seriam os piores casos possíveis nessa aplicação. No entanto, se o seu modelo errar a classificação, mas com baixo grau de certeza, não é tão problemático. Afinal, ninguém é perfeito, certo?\n\n## Instruções\n\n1. Baixe os dados e comece a brincar com eles.\n2. Crie seu modelo mágico de detecção de deepfakes.\n3. Submeta suas previsões no formato especificado.\n4. Repita os passos 1 a 3 até atingir a perfeição (ou ficar louco tentando).\n5. Divirta-se e não se esqueça de compartilhar suas ideias loucas com os colegas!\n\nEntão, o que está esperando? Junte-se a nós nessa aventura emocionante e mostre ao mundo que você é o mestre dos deepfakes de áudio!",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}