ディープフェイク技術の急速な発展は、デジタルフォレンジックに深刻な課題をもたらしている。現在のディープフェイク検出システムは標準的なベンチマークでほぼ完全な精度を示すものの、実際の法医学的展開では、モデルは予測だけでなく信頼性の高い予測不確実性の推定を提供する必要がある。しかし、既存の不確実性定量化（UQ）手法は通常、単一の不確実性源に依存しており、ニューラルネットワークアーキテクチャごとに最適な不確実性の組み合わせが異なることを無視している。
この問題に対処するため、研究チームの最新論文は「相関最適化融合」（Correlation-Optimized Fusion、COF）と呼ばれるアーキテクチャ適応型フレームワークを提案している。COFは、認識的不確実性、偶然的不確実性、キャリブレーション不確実性、コンフォーマル不確実性、分布的不確実性という5つの補完的な不確実性源を融合し、確率単体上の制約付き最適化により融合不確実性スコアと予測誤差の間のピアソン相関を最大化する。COFの顕著な利点は、既存のモデル構造を変更する必要がなく、重み最適化がわずか42秒で完了することである。一方、従来の5モデル深層アンサンブル（Deep Ensemble）手法では20～45時間を要する。
研究者らは、FaceForensics++データセット上で11種類の異なるアーキテクチャを詳細に評価し、重要なトレードオフを明らかにした：訓練領域とテスト領域が一致する場合、非線形手法（ランダムフォレストなど）の領域内相関はCOFより約5～6%高い（平均相関係数r=0.438）が、分布シフトが発生すると状況は逆転する。CelebDFデータセットでは、COFは11アーキテクチャ中9つでランダムフォレストを上回り、相関は最大7.3倍向上した（例：MaxViT-BでCOFのr=0.249、ランダムフォレストのr=0.034）。ランダムフォレストは領域間テストで相関が85%低下してr=0.071となったのに対し、COFは74%の低下に留まり、より多くのシグナルを保持した（r=0.116）。
さらに、CelebDFとDFDCでのデータセット間評価により、すべての手法で壊滅的な汎化失敗が明らかになった：領域内相関は0.41～0.47であったが、外部データセットではほぼゼロにまで低下し（平均劣化90.7%）、11アーキテクチャ中7つで不確実性の逆転現象が観察された。これは、予測不確実性スコアと誤差が負の相関を示すことを意味する。これらの発見は、既存の不確実性定量化手法が領域間シナリオでは信頼できないことを示している。
本研究の貢献は以下の通りである：一方で、COFは制御された分布展開のための実用的で解釈可能なフレームワークとして確立された。他方で、研究はドメイン適応型不確実性定量化が法医学的ディープフェイク検出における中核的な未解決課題であることを明確に示している。将来の研究では、データ分布の変化に動的に適応できるUQメカニズムの開発が必要であり、それによりディープフェイク検出技術を実験室から現実世界の広範な応用へと推進することができる。