arXiv cs.AI· Dario Petri, Luca Mari·· 3 天前AI 评分22
不确定性评估：连接机器学习与测量科学
Uncertainty Evaluation: Bridging Machine Learning and Measurement Science
AI 导读
该论文探讨机器学习不确定性评估与测量科学之间的概念类比，借鉴计量学从误差方法到 GUM 框架的演进，指出将 ML 不确定性分为偶然与认知两类本质上是模型依赖的，不足以支撑统一评估框架。文章主张借鉴计量学方法，系统识别、量化并传播不确定性贡献，为评估单个预测的可信度提供严谨、一致且可迁移的框架。
正文 · AI 翻译
标题：不确定性评估：连接机器学习与测量科学
摘要：可靠的不确定性评估对于评判机器学习（ML）预测的可信度至关重要，在安全关键型应用中尤为如此。本文探讨了机器学习中的不确定性评估与测量科学之间的概念类比，并借鉴了计量学从基于误差的方法到《测量不确定度表示指南》（GUM）所确立框架的演进历程。文章特别关注过程层面与结果层面质量之间的区别，以及将机器学习不确定性传统划分为偶然不确定性与认知不确定性的局限性。本文认为，这种二分法类似于随机测量误差与系统测量误差之间的传统区分，本质上依赖于模型，无法为统一的不确定性评估框架提供充分基础。文章还识别出机器学习与测量知识领域在分布偏移、异常运行条件以及不确定性评估有效性方面的进一步类比。基于上述思考，本文倡导一种受计量学启发的方法，即对不确定性贡献进行系统识别、量化与传播。通过将测量科学中已确立的方法论扩展至机器学习，该方法有望为评估单个预测的可信度提供一个严谨、一致且可迁移的框架。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.18066 [cs.LG] |
| （或 arXiv:2610.18066v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.18066 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Luca Mari [查看电子邮件]
[v1]
2026年10月13日星期二 09:51:49 UTC（230 KB）
来源：arXiv cs.AI · arxiv.org