不确定性量化(Uncertainty Quantification, UQ)是机器学习与统计领域中评估模型预测可信程度的技术,目标是让模型不仅给出答案,还能说明这个答案有多可靠。在高风险场景如医疗诊断、金融交易、科学计算中,模型是否“知道自己不知道”往往比准确率本身更关键,因此该方向近年来持续受到学术界和工业界的关注。
不确定性量化的近期进展
近期的 arXiv 研究显示,不确定性量化正在从通用方法向具体场景和理论修正两个方向同时推进。
不确定性量化的理论深化与应用扩展
除应用层面外,理论工具也在完善。Conformal Prediction 集合大小可作为信息增益度量的理论证明为共形预测给出了新的信息论解释,巩固了这一热门 UQ 框架的理论基础;ART 人工代表树结合 CPS让单棵树即可输出预测区间与超越概率,兼顾了可解释性与区间估计;PrO-GPs则直接以预测不确定性为优化目标改进高斯过程;DSS-GNN用双谱随机展开统一了图神经网络的不确定性表示。
当前焦点与观察点
综合来看,不确定性量化的讨论集中在三点:一是公平性问题,临床研究表明 UQ 并非天然可靠,在不平衡数据下可能放大对少数群体的误判;二是方法可及性,σTransfer 等工作试图降低 UQ 相关超参数在大模型上的调优开销;三是场景化落地,从金融订单簿到随机偏微分方程,UQ 正被嵌入具体系统而非作为独立模块存在。观察共形预测能否成为通用标准,以及高风险领域对 UQ 校准的监管要求是否成形,将是判断该方向走向的关键。