深度学习中的不确定性量化：2020年实用技术与应用大解析 - 61页精华解读" 这份报告深入剖析了近年来深度学习领域中不确定性量化（UQ）技术的最新发展，包括其在强化学习（RL）中的运用实例。探讨了贝叶斯近似和集成学习等主流UQ方法在各个具体场景中的广泛应用，比如自动驾驶、目标识别、图像修复、医疗影像分析（如分类和分割）、文本理解（如文本分类和风险评估）、以及生物信息学等多个领域。 报告进一步梳理了UQ方法在深度学习领域的关键应用案例，并针对当前面临的挑战及未来研究方向进行了概览和展望，为这一领域的研究人员和实践者提供了有价值的参考指南。

在日常情景中，我们处理很多领域的不确定性，从投资机会和医疗诊断到体育比赛和天气预报，目的是根据收集的观察和不确定的领域知识进行决策。

现在，我们可以依靠使用机器和深度学习技术开发的模型来量化不确定性来完成统计推断[1]。在人工智能(AI)系统使用[2]之前，对其效能进行评估是非常重要的。

这种模型的预测具有不确定性，除了存在不确定性的归纳假设外，还容易出现噪声和错误的模型推断。

因此，在任何基于人工智能的系统中，以一种值得信赖的方式表示不确定性是非常可取的。通过有效地处理不确定性，这样的自动化系统应该能够准确地执行。不确定性因素在人工智能中扮演着重要的角色

不确定性的来源是当测试和训练数据不匹配，由于类重叠或由于数据[6]中存在噪声而产生的不确定性。估计知识的不确定性要比数据的不确定性困难得多，数据的不确定性自然是通过极大似然训练来度量的。

预测中的不确定性来源对于解决不确定性估计问题[7]至关重要。

不确定性有两个主要来源，在概念上称为aleatoric和epistemic不确定性[8](见图1)。