基于随机卷积神经网络的条件不确定性感知政治深度伪造检测

近期生成式图像模型的进展使得能够创建高度逼真的政治深度伪造图像，构成对信息完整性、公众信任及民主进程的风险。虽然自动化深度伪造检测器在审查和调查管道中日益部署，但大多数现有系统仅提供点预测，缺乏指示输出可靠性的信号，这在高风险政治情境下是致命的局限。本文通过随机卷积神经网络，在以决策为导向的可靠性框架下，探讨条件化、不确定性感知的政治深度伪造检测。本工作不将不确定性仅视为贝叶斯概念，而是通过可观察标准进行评估，包括校准质量、proper scoring rules 以及在全局及置信条件分析下其与预测误差的一致性。我们通过确定性元数据过滤从大型公开真实-合成语料库中构建了政治主题的二进制图像数据集。两个预训练的 CNN 主干网络（ResNet-18 和 EfficientNet-B4）被完全微调用于分类。比较确定性推断与单次随机预测、Monte Carlo dropout 多次前向传播、温度缩放以及基于集成的方法的不确定性替代方案。评估报告 ROC-AUC、阈值化混淆矩阵、校准指标以及生成器-不相干的 out-of-distribution 表现。结果表明，校准的概率输出和不确定性估计可实现风险感知的审查政策。进一步的系统性置信区间分析阐明了不确定性何时在预测置信度之外提供操作价值，阐明了政治语境下不确定性感知深度伪造检测的优势与局限。