English(EN) Structural Limits of the Information-Theoretic Uncertainty Decomposition

新研究揭示AI不确定性分解的结构性限制

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-01 04:00

Jakob Christensen 在 arXiv 上发表的一篇新论文分析了将机器学习不确定性分解为偶然不确定性（AU）和认知不确定性（EU）的标准信息论框架。该研究发现了纠缠和认知崩溃的关键问题，证明了在有限设置中，假设的 AU 和 EU 范围的很大一部分是不可行的。研究结果表明，不可行区域随类别数量和蒙特卡洛样本数量的增加而扩展，并且可以解释模型置信度高时的认知崩溃。该论文提出增加集成规模可以减小这个不可行区域，并警告不要在低 AU 区域将 AU 和 EU 解释为独立量。 AI

影响强调了AI不确定性估计的基本限制，可能影响模型的可靠性和可解释性。

排序理由学术论文发表在 arXiv 上，详细介绍了机器学习不确定性方面的理论发现。 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 22 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 学术论文发表在 arXiv 上，详细介绍了机器学习不确定性方面的理论发现。 [lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, safety; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CV TIER_1 English(EN) · Jakob L{\o}nborg Christensen, Christian F. Baumgartner, Morten Rieger Hannemose, Anders Bjorholm Dahl, Vedrana Andersen Dahl · 2026-10-01 04:00

信息论不确定性分解的结构性限制

arXiv:2609.39591v1 Announce Type: new Abstract: Uncertainty estimation in machine learning typically decomposes uncertainty into aleatoric uncertainty (AU) and epistemic uncertainty (EU) using the standard information-theoretic framework. However, in practice, two critical issues…

本文如何被排名

报道来源 [1]

信息论不确定性分解的结构性限制

相关实体

相关话题