去相关理论不确定度的一个警示故事

人们已提出多种技术来训练独立于给定特征的机器学习分类器。虽然这对于实现本底估计可能是一项关键技术，但它也可能有助于减小不确定度。我们仔细考察了通常不具有统计起源的理论不确定度。我们将给出两点（碎裂建模）和连续（高阶修正）不确定度的显式示例，其中去相关显著减小了表观不确定度，而实际不确定度却大得多。这些结果表明，当我们尚未将其完全分解为具有统计意义的组分时，对这类不确定度使用去相关应谨慎对待。