基于不确定性量化的机器学习可靠性研究综述.docVIP

基于不确定性量化的机器学习可靠性研究综述

一、引言

随着机器学习技术在自动驾驶、医疗诊断、金融风控等高风险领域的大规模落地，其可靠性问题逐渐成为制约产业应用的核心瓶颈。传统机器学习模型通常以点预测的方式输出结果，无法量化预测结果的置信程度，在分布偏移、噪声干扰或训练数据覆盖不足的场景下极易产生不可靠的输出，甚至引发严重的安全事故。不确定性量化（UncertaintyQuantification,UQ）作为连接模型预测与风险决策的关键桥梁，通过对模型输出的不确定性进行建模、估计和传播，为提升机器学习系统的可靠性提供了系统性的解决方案。近年来，基于不确定性量化的机器学习可靠性研究呈现爆发式增长，相关理论方法和工程实践不断涌现，亟需对领域进展进行系统性梳理，为后续研究提供参考框架。

二、机器学习中的不确定性来源与分类

机器学习系统的不确定性本质上来源于数据、模型和部署环境三个层面的固有特性。从认知视角出发，通常可将不确定性划分为偶然不确定性（AleatoricUncertainty）和认知不确定性（EpistemicUncertainty）两大类，两类不确定性的成因、特性和处理方式存在显著差异。

偶然不确定性是由数据生成过程的固有随机性导致的，属于不可约减的不确定性。例如自动驾驶场景中行人的突然横穿行为、医疗影像中病灶的个体差异、金融市场的随机波动等，这类不确定性即使收集无限多的