CUPID：用于联合不确定性估计的插件框架
机器学习
2026-03-12 v1 人工智能
摘要
深度学习中准确估计不确定性对于部署于医疗诊断和自主决策等高风险领域的模型至关重要，因而过度自信的预测可能导致不利后果。在实际应用中，理解模型不确定性来源及其类型可支持风险感知决策、增强用户信任并指导额外数据收集。然而，许多现有方法仅解决单一类型的不确定性，或需要修改和重新训练基础模型，使其难以在实际系统中采用。我们引入CUPID（Comprehensive Uncertainty Plug-in estImation moDel），一个通用模块，可在不修改或重新训练基础模型的前提下联合估计 aleatoric 与 epistemic 不确定性。CUPID可以灵活地插入到预训练网络的任意层。它通过学习的贝叶斯恒等映射建模aleatoric不确定性，通过分析模型对结构扰动的内部响应来捕获epistemic不确定性。我们在分类、回归和超出分布检测等多个任务上对CUPID进行评估。结果表明，它持续提供具竞争力的性能，同时为不确定性来源提供层级化洞察。通过使不确定性估计模块化、可解释且与模型无关，CUPID支持更透明和可信赖的AI。相关代码和数据可在https://github.com/a-Fomalhaut-a/CUPID上获取。
引用
@article{arxiv.2603.10745,
title = {CUPID: A Plug-in Framework for Joint Aleatoric and Epistemic Uncertainty Estimation with a Single Model},
author = {Xinran Xu and Xiuyi Fan},
journal= {arXiv preprint arXiv:2603.10745},
year = {2026}
}