Uncertainty Quantification

concept · First seen 2026-05-26 · Last seen 2026-11-20 · 34 mentions

Overview

Uncertainty Quantification(不确定性量化,简称 UQ)是一类用于估计机器学习模型预测可信程度的方法体系,涵盖贝叶斯方法、共形预测(Conformal Prediction)等技术,目标是为模型输出提供带置信水平的区间或概率描述,而非只给一个点估计。随着大语言模型与数字孪生系统在工业和科学计算中的落地,UQ 正从统计学术课题转向工程实践中的标配能力。

Uncertainty Quantification 的近期进展

近期的 arXiv 报道显示,UQ 的研究重心正沿着三条路径推进。

一是与科学计算深度融合。Applied bifidelity material response model construction and uncertainty quantification with a sampling hypernetwork 用采样超网络构建材料响应的双保真度模型并做 UQ;Conformal Prediction for Time-Dependent PDEs 则把共形预测扩展到随时间演变的偏微分方程求解,为物理仿真提供有限样本下有统计保证的误差界。类似思路也出现在微流控场景:Microdroplet Generator Surrogate Enhancement and Inverse Design Through an Uncertainty-Guided Framework 将不确定性引导用于代理模型增强与逆向设计。

二是面向大语言模型的推理可靠性。Free Lunch Uncertainty: Sequence-Level Rényi Entropy from Particle Decoding for Adaptive LLM Reasoning 提出从粒子解码过程中免费获取序列级 Rényi 熵,作为 LLM 自适应推理的不确定性信号,无需额外训练成本,反映出社区对“低开销衡量模型自信程度”的持续兴趣。神经过程方向亦有补充:DnNP: Denoising Input Uncertainty in Neural Processes 尝试对神经过程中的输入侧不确定性做去噪处理。

三是进入实时决策系统。Integrating Machine Learning and Uncertainty Quantification for Real-Time Decision-Making in Digital Twins: A System-Centric Review and Perspective 以系统为中心综述了 UQ 在数字孪生实时决策中的集成路径;Adaptive Uncertainty Quantification on Simplicial Complexes with Conformalized Simplicial Neural Networks 则把共形化神经网络推广到单纯复形等更一般的拓扑结构上。

当前焦点与观察点

综合近期工作,不确定性量化领域的争议与关注点主要有三。其一,方法开销与覆盖保证之间的权衡:共形预测提供分布无关的统计保证,但在时序依赖数据和复杂几何结构上如何维持有效性仍是难点。其二,UQ 信号的下游价值能否被验证——如因果推断研究中对表格基础模型作为混杂变量学习器的评估所示,预测性能好并不自动意味着因果表现好,不确定性指标同样需要经过任务级的严格检验。其三,生成式模型的可信评估:Generative AI in Turbulence: Foundations, Applications, Validations and Benchmarks 表明湍流等高保真物理场景中,生成模型缺少统一基准,UQ 或将成为其验证体系的核心组成部分。对从业者而言,值得关注的是 UQ 能否以足够低的计算代价嵌入生产系统,并在监管要求提高的背景下形成可审计的可信度报告。

Coverage

9 on file