aleatoric uncertainty（偶然不确定性）

偶然不确定性源于观测数据中的内在噪声，例如传感器误差、标签噪声或环境随机性。与认知不确定性（模型参数不确定性）不同，它不能通过增加数据量来减少。在贝叶斯深度学习中，通常将预测分布建模为参数化分布（如高斯分布），并同时学习均值和方差。偶然不确定性对于风险敏感应用至关重要，如自动驾驶中需区分感知噪声与模型无知。常用估计方法包括异方差损失、蒙特卡洛采样等。