---
title: "认知不确定性 (Epistemic Uncertainty)"
created: 2026-06-10
updated: 2026-06-10
type: concept
tags: ["uncertainty-quantification", "bayesian-deep-learning", "clinical-ai"]
sources: ["[[principled-uncertainty-clinical-ai]]"]
---

# 认知不确定性 (Epistemic Uncertainty)

**认知不确定性**（Epistemic Uncertainty）是模型由于知识不足而产生的不确定性，可通过增加训练数据来减少。与之相对的是 [[aleatoric-uncertainty|随机不确定性]]（数据本身的噪声，不可减少）。

## 形式化定义

在贝叶斯深度学习中，通过 [[mc-dropout|MC Dropout]] 进行 T 次随机前向传播来估计：

方差 = (1/T) * 求和_t [f(z_t) - 均值]^2

其中 z_t 通过重参数化采样：z_t = mu_fused + epsilon_t * sigma_fused, epsilon_t ~ N(0, I)

## 临床意义

认知不确定性在临床 AI 中的关键价值：
- **分布外检测**：当患者特征偏离训练分布时（如农村医院患者），认知不确定性自然升高
- **公平性信号**：系统性的认知不确定性差异揭示了模型训练数据的代表性不足
- **人工升级触发**：高认知不确定性指示模型"知道自己不知道"，应触发专家审核

## 与其他不确定性的区别

| 类型 | 来源 | 可减少性 | 估计方法 |
|------|------|---------|---------|
| **认知** | 模型知识不足 | 可减少 | MC Dropout 方差 |
| 随机 | 数据噪声 | 不可减少 | 专用输出头 |

## 参考
- [[principled-uncertainty-clinical-ai|Principled Uncertainty in Clinical AI]]
- [[uncertainty-quantification|不确定性量化]]
- [[bayesian-deep-learning|贝叶斯深度学习]]
- [[expected-calibration-error|ECE]]