51 lines
2.3 KiB
Markdown
51 lines
2.3 KiB
Markdown
---
|
||
title: "不确定性量化 (Uncertainty Quantification)"
|
||
created: 2026-06-10
|
||
updated: 2026-06-10
|
||
type: concept
|
||
tags: ["bayesian-deep-learning", "clinical-ai", "model-calibration"]
|
||
sources: ["[[principled-uncertainty-clinical-ai]]"]
|
||
---
|
||
|
||
# 不确定性量化 (Uncertainty Quantification, UQ)
|
||
|
||
**不确定性量化**是将置信度/可靠性度量附加到模型预测上的系统性方法。在深度学习中，确定性模型仅输出点估计，UQ 方法则输出分布或置信区间。
|
||
|
||
## 核心分解
|
||
|
||
不确定性量化的基础是将不确定性分解为两类：
|
||
|
||
1. **[[aleatoric-uncertainty|随机不确定性]]**（Aleatoric）：数据固有的不可减少噪声
|
||
2. **[[epistemic-uncertainty|认知不确定性]]**（Epistemic）：模型知识的可减少不足
|
||
|
||
## 主要方法
|
||
|
||
| 方法 | 原理 | 代表工作 |
|
||
|------|------|---------|
|
||
| [[mc-dropout|MC Dropout]] | 推理时保持 Dropout，多次前向传播 | Gal & Ghahramani (2016) |
|
||
| [[variational-autoencoder|VAE]] | 变分推断学习潜分布 | Kingma & Welling (2014) |
|
||
| Deep Ensembles | 独立训练多个网络 | Lakshminarayanan et al. (2017) |
|
||
| [[bayesian-deep-learning|贝叶斯神经网络]] | 权重上的分布 | Blundell et al. (2015) |
|
||
|
||
## 校准评估
|
||
|
||
[[expected-calibration-error|ECE]] 是衡量模型校准质量的标准度量：预测置信度与实际准确率的一致性。
|
||
|
||
## 临床 AI 中的特殊价值
|
||
|
||
在 [[clinical-ai|临床 AI]] 中，UQ 不仅是技术属性——它是**公平性信号**。校准后的认知不确定性系统性地识别模型训练数据中代表性不足的患者群体（[[uncertainty-equity-gap|UEG]]），揭示 [[algorithmic-equity|算法公平性]] 问题。
|
||
|
||
## Jordan 的社会-经济扩展
|
||
|
||
[[uncertainty-taxonomy|Jordan 不确定性分类法]] 将 UQ 从纯统计框架扩展到经济与社会维度，新增两类：
|
||
- **信息不对称**：结构性不透明（经济学视角）
|
||
- **数据时效性**：时间元数据定量纳入不确定性（LLM 完全缺失此能力）
|
||
|
||
参见 [[michael-jordan-mlst-collectivist-ai-2026|Jordan MLST 访谈]]。
|
||
|
||
## 参考
|
||
- [[principled-uncertainty-clinical-ai|Principled Uncertainty in Clinical AI]]
|
||
- [[bayesian-deep-learning|贝叶斯深度学习]]
|
||
- [[expected-calibration-error|ECE]]
|
||
- [[uncertainty-taxonomy|Jordan 不确定性分类法]]
|