myWiki/concepts/uncertainty-quantification.md

title, created, updated, type, tags, sources

title	created	updated	type	tags	sources
不确定性量化 (Uncertainty Quantification)	2026-06-10	2026-06-10	concept	bayesian-deep-learning clinical-ai model-calibration	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（Aleatoric）：数据固有的不可减少噪声
2. epistemic-uncertainty（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
[[variational-autoencoder	VAE]]	变分推断学习潜分布
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

校准评估

expected-calibration-error 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 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），揭示 algorithmic-equity 问题。

参考

• principled-uncertainty-clinical-ai
• bayesian-deep-learning
• expected-calibration-error