不确定性量化 UQ

是什么

UQ 回答三个问题：不确定性从哪来（输入参数、模型形式、数值误差、数据噪声）、 有多大（方差、分位数、置信区间）、怎么传播（输入不确定如何放大成输出不确定）。 对 AI 代理模型而言，UQ 是”能不能上工程”的关键门槛。

关键要点

• 两类不确定性：aleatoric（数据/参数本身随机，不可通过增加数据消除）与 epistemic（模型认知不足，可通过更多数据/更好模型降低）。二者处置方式不同。
• 常用方法：高斯过程自带方差、深度集成（Deep Ensemble）、蒙特卡洛 Dropout、共形预测（Conformal Prediction，有覆盖率保证）。
• 校准同样重要：预测区间标称 90% 覆盖，实际覆盖率是否真的是 90%，需要可靠性图与校准检验。
• 与主动学习天然结合：不确定性大的区域优先补采样，能用最少样本提升模型。

常见误区 / 边界

• 单点预测 + 平均误差在工程上不可决策；必须给出区间或分位数。
• 神经网络输出的”softmax 概率”不是不确定性，深度模型需要专门的 UQ 手段。