一篇新论文挑战了机器学习中认识不确定性的标准定义，认为常用的度量与可通过更多数据约减的不确定性定义不一致。该研究提出了一个修订后的分类法，区分了样本可约减和机制可约减的认识不确定性。它还表明，分布内数据可能不会减少，甚至会增加机制不可约减的不确定性，这表明集成模型之间的分歧是认识不确定性的不良代理。 AI
影响 挑战了理解模型不确定性的现有框架，可能影响AI系统的评估和部署方式。
排序理由 该集群包含一篇讨论机器学习不确定性理论方面的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.12646v1 Announce Type: new Abstract: The standard taxonomy of predictive uncertainty defines epistemic uncertainty as the part removable by collecting more data, while the standard measure identifies it with a mutual-information term. We prove the definition and the me…
The standard taxonomy of predictive uncertainty defines epistemic uncertainty as the part removable by collecting more data, while the standard measure identifies it with a mutual-information term. We prove the definition and the measure are extensionally inconsistent. On an expl…