uncertainty-aware（不确定性感知）

传统深度学习模型通常通过softmax输出概率，但往往存在过度自信问题，无法可靠反映真实不确定性。不确定性感知技术通过贝叶斯神经网络、蒙特卡洛 dropout、深度集成等方法量化认知不确定性（模型参数不确定性）和偶然不确定性（数据噪声）。这使得模型在低置信度时能主动拒绝预测或请求人工干预，提升系统安全性和可靠性。代表性工作包括贝叶斯深度学习、概率编程以及不确定性校准方法，广泛应用于自动驾驶、医疗影像分析和金融风控等领域。