研究人员通过提出一种新观点，即不确定性度量并非基础性的，而是源于更高级别的建模决策，从而引入了不确定性量化（UQ）的新视角。该框架展示了如何通过分解主观风险，并使用严格的 Proper Loss 函数来获得认知不确定性和偶然不确定性。该方法在共同的理论基础上统一了各种 UQ 度量，并根据特定的建模场景和损失函数提出了实用的 UQ 方法。此外，该研究将此观点扩展到学习理论，分析了超额风险、近似误差和估计误差的主观风险类似物，并将它们与 UQ 联系起来。 AI
影响 这项研究为不确定性量化方法提供了统一的理论基础，有望带来更鲁棒的 AI 模型。
排序理由 该集群包含两篇相同的 arXiv 预印本，详细介绍了不确定性量化的新理论框架。
- aleatoric uncertainty
- approximation error
- epistemic uncertainty
- learning theory
- reverse cross-entropy
- strictly proper loss
- Subjective Risk Decomposition
- uncertainty quantification
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
