论文提出面向机器学习的不确定性评估度量学框架

Dario Petri 与 Luca Mari 发表论文，主张借鉴计量学中的 GUM（测量不确定度表示指南）框架来评估机器学习的不确定性。论文指出，目前把 ML 不确定性分为偶然与认知两类的做法本质上依赖模型，不足以构成统一评估框架。 作者称，应采用受计量学启发的方法，系统性识别、量化并传播不确定性贡献，从而为评估单个预测的可信度提供严谨且可迁移的框架。这一主张目前来自论文本身，尚未见实证验证。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。