基于贝叶斯深度学习的模型不确定性研究综述.docVIP

基于贝叶斯深度学习的模型不确定性研究综述

在人工智能技术深度渗透医疗诊断、自动驾驶、金融风控等高风险决策领域的当下，深度学习模型的“过自信”缺陷已成为制约其落地应用的核心瓶颈。传统深度神经网络通过点估计方式学习参数，能够在独立同分布测试集上实现极高的预测精度，却无法量化预测结果的可信度——当输入样本偏离训练分布时，模型仍会输出高置信度的错误预测，可能引发灾难性后果。贝叶斯深度学习（BayesianDeepLearning,BDL）将贝叶斯统计的概率推断框架与深度神经网络的非线性拟合能力相结合，通过对模型参数赋予先验分布、用后验分布表征参数不确定性，为系统量化深度学习模型的预测不确定性提供了可行路径，近年来成为人工智能安全领域的研究热点。

一、贝叶斯深度学习的不确定性来源与分类

深度学习模型的不确定性本质上源于数据与模型两个维度的固有局限。贝叶斯框架下通常将其划分为两类核心类型：偶然不确定性（AleatoricUncertainty）与认知不确定性（EpistemicUncertainty），两类不确定性的叠加共同构成了模型最终的预测不确定度。

偶然不确定性是数据本身固有的噪声，无法通过增加训练样本量消除。这类不确定性普遍存在于真实世界数据中：例如医疗影像中设备本身的成像噪声、自动驾驶传感器受恶劣天气影响产生的测量误差、金融数据中市场波动带来的随机扰动等。根据噪声分布是否与