论文提出以计量学GUM框架评估机器学习不确定度

Dario Petri与Luca Mari发布arXiv论文《Uncertainty Evaluation: Bridging Machine Learning and Measurement Science》，将机器学习的不确定度评估与测量科学作概念类比，回顾计量学从基于误差的方法到《测量不确定度表示指南》（GUM）框架的演进，据此提出用于ML可信性评估的框架。 论文指出，传统将ML不确定度分为偶然与认知分量的二分法，类似随机/系统测量误差的区分，本质上是模型依赖的，不足以支撑统一的不确定度评估框架。作者称，其方法可能为评估单个预测的可信性提供严谨、一致且可迁移的框架。

AI 根据报道生成 · 45 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。