En este artículo, proponemos un método eficiente para la detección de deepfakes mediante la Hipótesis del Billete de Lotería (LTH) para abordar las amenazas a la integridad de la información y la confianza social causadas por el rápido crecimiento de los medios sintéticos profundos. Realizamos experimentos aplicando arquitecturas como MesoNet, CNN-5 y ResNet-18 a los conjuntos de datos OpenForensic y FaceForensics++, y demostramos que es posible reducir el tamaño del modelo sin degradar el rendimiento mediante la poda de redes neuronales. En particular, en el caso de MesoNet, logramos una precisión del 56,2 % en el conjunto de datos OpenForensic (aproximadamente el 90 % en comparación con la precisión base del 62,6 %), incluso con una tasa de poda del 80 %, y obtuvimos resultados utilizando solo 3000 parámetros. Además, demostramos que el método de poda iterativa de tamaño basado en LTH propuesto es superior al método de poda por lotes, y confirmamos que la red podada se centra en la región facial, importante para la detección de deepfakes mediante Grad-CAM. También demostramos la transferibilidad de los boletos ganadores entre conjuntos de datos, lo que sugiere la posibilidad de un sistema de detección de deepfakes eficiente y fácil de implementar.
