不确定性评估：连接机器学习与测量科学

论文探讨机器学习不确定性评估与测量科学的类比，借鉴测量学从误差方法到 GUM 框架的演进，指出将 ML 不确定性分为偶然与认知两类存在局限，该二分法本质上依赖模型，无法支撑统一评估框架。文章主张采用受计量学启发的方法，系统识别、量化和传播不确定性贡献，为评估单个预测的可信度提供严谨、一致且可迁移的框架。