什么是 认知不确定性（Epistemic Uncertainty）？
认知不确定性（Epistemic Uncertainty）是在明确假设空间、先验知识和证据集下，对预测机制、参数、表示或模型选择仍然存在的未知。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
区分参数、结构和部署域未知
后验或采样方法可以表示选定模型内部的参数不确定性，却不会自动覆盖架构、似然、预处理、因果假设、标签定义或部署域的不确定性。Hullermeier 与 Waegeman 的综述把认知不确定性放在假设空间和可用数据中定义。实施时应记录哪些模型选择发生变化，哪些被固定。
把实用估计器视为存在盲点的代理
贝叶斯后验采样、Laplace 近似、变分推断、深度集成和蒙特卡洛 Dropout 会形成不同的预测分布。它们的离散程度可以暴露参数或优化敏感性，但共享架构、训练数据、目标函数或先验偏差时，也可能一起坍缩。应使用与部署相关的扰动检验这些方法，并加入简单偏移或留出基线，不能把分歧直接当作真实不确定性。
用认知信号获取证据并限制动作
如果认知估计能够识别证据薄弱区域，就可用于主动标注、实验设计、拒答和升级处理。先在未参与调参的数据上检验高值是否预测错误或信息增益，再测量阈值后的覆盖率与成本。在分布偏移下，方法仍可能自信地犯错；因此还需结合分布外检测、切片评测、确定性安全规则，以及不依赖同一模型的 Fallback。
主要特点
- 相对于模型家族、先验假设和证据集进行定义
- 包含参数未知，也可能涉及结构与部署域未知
- 在假设成立时可随代表性且有信息量的数据下降
- 模型族、目标或因果假设错误时可能持续存在
- 后验、集成和随机前向传播会给出不同近似
- 必须用错误、信息增益和部署决策验证其实用价值
常见用途
- 优先标注多个合理模型分歧明显的区域
- 训练支持不足时触发拒答或升级处理
- 比较不同随机种子、架构或后验样本的模型敏感性
- 设计能够区分竞争性预测机制的实验
- 监控部署人群是否离开现有证据支持范围
示例
Loading code...常见问题
认知不确定性有哪些例子？
一个主要用成人临床图像训练的分类器，在儿童样本上可能存在多个同样合理的决策边界，因为该区域证据稀缺。只有当估计器探索了相关替代模型，而不是重复同一种盲点时，模型分歧才有解释力。
增加数据总能降低认知不确定性吗？
不能。在模型适合且目标可识别时，代表性、有信息量的数据可以降低未知；重复样本、偏置数据、缺失标签或与决策问题无关的观测帮助有限，模型设定错误则可能在任何样本量下持续产生自信错误。
集成模型分歧就等于认知不确定性吗？
它只是该集成构造所表示不确定性的代理。成员共享数据、架构、目标、预处理和优化偏差时，可能一致地犯错。需要明确成员差异，并在留出错误与信息增益上验证分歧。
认知不确定性与偶然不确定性有什么区别？
认知不确定性描述既定假设下对预测机制的知识不足；偶然不确定性描述既定观测条件下仍存在的结果变异。当观测集、目标、模型家族或证据变化时，两者划分也会变化。
认知不确定性应如何影响生产决策？
只能通过已在代表性数据上验证的预设策略，例如拒答、人工复核、补充测量或主动标注。访问控制与硬安全约束必须保持确定性，并提供不依赖同一不确定模型的 Fallback。