Label-wise Aleatoric and Epistemic Uncertainty Quantification

我们提出了一种新的分类任务不确定性量化方法，基于标签分解不确定性度量。这种标签分解的视角可以让我们在个别类别水平上量化不确定性，从而提高成本敏感的决策制定并帮助理解不确定性的来源。此外，它还可以基于非分类度量（如方差）定义总体、随机和认知不确定性，超越了常见的基于熵的度量方法。特别地，基于方差的度量方法解决了最近文献中讨论的一些已有方法的局限性。我们展示了我们提出的度量满足许多理想的性质。通过在各种基准数据集上进行实证评估，包括在精确不确定性量化至关重要的医学领域应用，我们证明了标签分解不确定性量化的有效性。

本论文旨在提出一种新的分类任务的不确定性量化方法，以标签分解的不确定性度量为基础。

本论文的关键思路是使用标签分解的不确定性度量方法，可以更好地量化每个类别的不确定性，从而提高成本敏感的决策制定能力，并帮助理解不确定性的来源。

本文提出的基于方差的不确定性度量方法具有许多优点，包括可以定义总体、aleatoric和epistemic不确定性，可以超越常见的基于熵的度量方法，并且可以应用于医疗领域等需要准确不确定性量化的场景。实验结果表明，该方法在多个基准数据集上都具有很好的表现。

最近在这个领域中，也有一些相关的研究，例如“Uncertainty Quantification in Deep Learning with Application to Safety-Related Systems”和“Bayesian Uncertainty Estimation for Batch Normalized Deep Networks”。