研究人员开发了 CREDENCE，一个用于 Credal 概念瓶颈模型 (CBM) 的新框架，该框架能有效分离预测中的认知不确定性和随机不确定性。这种分解使得更细致的决策成为可能，例如自动化低不确定性任务或将模糊案例转交人工审核。该框架将概念表示为概率区间，区分了可减少的模型欠指定和不可减少的输入歧义。 AI
影响 通过区分模型局限性和固有的数据歧义，实现更精确的 AI 决策。
排序理由 该集群描述了一篇详细介绍 AI 模型不确定性分解新框架的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2604.24170v1 Announce Type: new Abstract: Concept Bottleneck Models (CBMs) predict through human-interpretable concepts, but they typically output point concept probabilities that conflate epistemic uncertainty (reducible model underspecification) with aleatoric uncertainty…
Concept Bottleneck Models (CBMs) predict through human-interpretable concepts, but they typically output point concept probabilities that conflate epistemic uncertainty (reducible model underspecification) with aleatoric uncertainty (irreducible input ambiguity). This makes conce…