Monte Carlo Dropout（蒙特卡洛 Dropout）

Monte Carlo Dropout由Gal和Ghahramani于2016年提出，将Dropout视为贝叶斯神经网络中的近似变分推断。在测试阶段，对同一输入进行多次前向传播（每次随机丢弃不同神经元），得到预测分布，从而估计预测均值和不确定性。该方法简单有效，广泛应用于深度学习中的不确定性量化，尤其在安全关键领域。