MC dropout（Monte Carlo Dropout，蒙特卡洛丢弃法）是一种在深度神经网络推理阶段保持 dropout 随机激活、通过多次前向传播来估计预测不确定性的技术。它由 Gal 与 Ghahramani 于 2016 年从贝叶斯视角给出理论解释，因实现成本低、无需改动模型结构，长期是深度学习不确定性量化中最常用的基线方法之一，广泛应用于医学影像、基因组学等高风险预测场景。
MC Dropout 的近期研究进展
当前焦点与观察点
MC dropout 目前处于一个"广泛使用但被重新审视"的阶段。一方面，它仍然是成本最低、接入最方便的不确定性手段，持续出现在医学影像、基因组学和生成模型评估等新场景中；另一方面，多篇近期工作对其校准质量和可靠性提出质疑，认为其估计可能高估或低估真实误差，促使社区探索 Dirichlet 建模、深度集成等替代或增强方案。
值得关注的观察点有三：一是 MC dropout 在分割等密集预测任务中的校准问题是否会催生标准化的评测协议；二是不确定性估计与联邦学习、扩散模型等新兴范式的结合能否形成可复用的工具链；三是随着实证比较研究增多， practitioner 在精度与计算开销之间的取舍是否会有更明确的共识。总体来看，这一方法并未被淘汰，而是正在从"默认选择"转向"需要验证后使用"的工具。