技术
uncertainty quantification（不确定性量化）
不确定性量化（UQ）是评估AI模型预测结果可信度的技术，旨在解决模型过度自信问题，为高风险决策提供可靠性依据。典型应用包括医疗诊断中的置信度评估和自动驾驶中的风险感知，代表工作如贝叶斯神经网络和深度集成。
详细解释
不确定性量化旨在衡量模型预测的不确定性，通常分为偶然不确定性（数据噪声）和认知不确定性（模型知识不足）。传统方法包括贝叶斯神经网络、蒙特卡洛 dropout 和深度集成。近年来，基于证据深度学习、分位数回归等方法也被广泛研究。UQ 在医疗、金融、自动驾驶等领域至关重要，能提升模型安全性和可解释性。
别名与相关写法
uncertainty quantification
相关术语
Conformal Prediction共现 1 篇
Adversarial Network共现 1 篇
Monte Carlo Dropout共现 1 篇
Foundation Model共现 1 篇
Physics-Informed共现 1 篇
Neural Operator共现 1 篇
相关资讯
论文：LLM 语言不确定性表达与人类存在分歧2026/10/2
物理信息保形预测：为神经算子嵌入 PDE 一致性2026/9/14
SECURE-AI 提出多信号不确定性量化提升咳嗽检测可信度2026/10/20
TAM-Chain：多尺度甲状腺细胞学分类与假阴性抑制2026/9/25
SGA：时间序列基础模型多步预测的不确定性量化2026/9/25