不确定性量化

general · First seen 2026-05-22 · Last seen 2026-11-20 · 67 mentions

Overview

不确定性量化(Uncertainty Quantification, UQ)是机器学习与统计领域中评估模型预测可信程度的技术,目标是让模型不仅给出答案,还能说明这个答案有多可靠。在高风险场景如医疗诊断、金融交易、科学计算中,模型是否“知道自己不知道”往往比准确率本身更关键,因此该方向近年来持续受到学术界和工业界的关注。

不确定性量化的近期进展

近期的 arXiv 研究显示,不确定性量化正在从通用方法向具体场景和理论修正两个方向同时推进。

  • 研究揭示临床类别不平衡下不确定性量化会系统性误判少数患者:这项针对临床场景的研究指出,当数据存在类别不平衡时,主流不确定性量化方法会对少数群体患者产生系统性偏差,提示 UQ 在医疗落地前需要专门校准。
  • 分类任务中的成对差分学习不确定性量化方法:提出利用成对差分学习改进分类任务中的不确定性估计,属于方法层面的新探索。
  • σTransfer:基于 μP 的先验精度零样本迁移方法:借助 μP 参数化实现先验精度的零样本迁移,降低了大模型超参数调优中 UQ 相关设置的成本。
  • S²-PINN:面向随机偏微分方程不确定性量化的物理信息神经网络:将物理信息神经网络扩展到随机偏微分方程的 UQ,反映科学计算领域对可信预测的需求。
  • UQ-LOB:给限价订单簿预测加上可信度评估的不确定性量化模块:把 UQ 模块引入限价订单簿预测,是金融场景的典型应用。
  • 不确定性量化的理论深化与应用扩展

    除应用层面外,理论工具也在完善。Conformal Prediction 集合大小可作为信息增益度量的理论证明为共形预测给出了新的信息论解释,巩固了这一热门 UQ 框架的理论基础;ART 人工代表树结合 CPS让单棵树即可输出预测区间与超越概率,兼顾了可解释性与区间估计;PrO-GPs则直接以预测不确定性为优化目标改进高斯过程;DSS-GNN用双谱随机展开统一了图神经网络的不确定性表示。

    当前焦点与观察点

    综合来看,不确定性量化的讨论集中在三点:一是公平性问题,临床研究表明 UQ 并非天然可靠,在不平衡数据下可能放大对少数群体的误判;二是方法可及性,σTransfer 等工作试图降低 UQ 相关超参数在大模型上的调优开销;三是场景化落地,从金融订单簿到随机偏微分方程,UQ 正被嵌入具体系统而非作为独立模块存在。观察共形预测能否成为通用标准,以及高风险领域对 UQ 校准的监管要求是否成形,将是判断该方向走向的关键。

    Coverage

    10 on file