arXiv发布机器学习与测量科学不确定性评估论文

2026年10月15日，arXiv人工智能板块刊出Dario Petri与Luca Mari的论文，探讨机器学习不确定性评估与测量科学之间的概念类比。论文借鉴计量学从基于误差的方法到《测量不确定度表示指南》（GUM）框架的演进历程，指出将机器学习不确定性划分为偶然与认知两类的做法存在局限，认为该二分法本质上依赖模型，无法支撑统一的评估框架。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，从而为评估单个预测的可信度提供严谨、一致且可迁移的框架。目前该事件仅有这一篇报道，尚无后续跟进或不同说法。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。