PDF链接：https://arxiv.org/pdf/2206.05675v2.pdf

深入理解不确定性是在不确定性下做出有效决策的第一步。深度/机器学习(ML/DL)在解决涉及处理高维数据的复杂问题方面发挥了巨大作用。然而，与其他人工智能(AI)领域相比，ML/DL中对不同类型的不确定性进行推理和量化以实现有效决策的研究要少得多。特别是自20世纪60年代以来，KRR研究了信念/证据理论，以推理和衡量不确定性，以提高决策有效性。我们发现，只有少数研究利用ML/DL中信念/证据理论中成熟的不确定性研究来解决不同类型不确定性下的复杂问题。在这篇综述论文中，我们讨论了几种流行的关于不确定性原因和类型的信念理论及其核心思想，并对它们进行了量化，并讨论了它们在ML/DL中的适用性。此外，我们讨论了利用深度神经网络(DNNs)中的信念理论的三种主要方法，包括证据型DNNs、模糊型DNNs和粗糙型DNNs，就它们的不确定性原因、类型、量化方法及其在不同问题领域的适用性进行了讨论。在深入调研的基础上，我们讨论了目前最先进的连接信念理论与ML/DL的见解、经验教训、局限性以及未来的研究方向。

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除