不确定性量化
机器学习和统计学中量化模型预测可靠性的方法体系，区分认知不确定性（模型知识不足）与随机不确定性（数据固有噪声），是可信赖AI的重要基础
时间轴 (近 90 天)
不确定性量化（UQ）的传统方法需要对每个样本重新运行离散求解器，计算成本与样本数成正比；APTNN的CP分解结构使网络可接受随机输入作为额外维度，训练一次即可获得参数化解映射。
不确定性量化支持不确定性感知的决策与模型自适应，是数字孪生长期在线运行的必要条件。
LLM自报的不确定性排序能力与基线模型的不确定性估计大致相当，并未展现出超越经典方法的能力。
模型自报的不确定性在排序预测错误方面的能力较弱，Spearman等级相关系数最高仅为0.46。
未来可能需要结合外部校准方法或开发更好的不确定性量化技术，以提升LLM在科学预测任务中的可靠性。
不确定性量化在机器学习领域指对预测结果的不确定性进行建模和估计，在食品识别场景下尤其有价值。
开发事实核查机制和不确定性量化方法，可以让模型能够识别并承认知识边界
高斯输出分布是预测不确定性量化（UQ）的最基础形式，模型输出分布参数（均值和方差）而非单一标量
全部知识事实 (8)
不确定性量化（UQ）的传统方法需要对每个样本重新运行离散求解器，计算成本与样本数成正比；APTNN的CP分解结构使网络可接受随机输入作为额外维度，训练一次即可获得参数化解映射。
50%待验证不确定性量化支持不确定性感知的决策与模型自适应，是数字孪生长期在线运行的必要条件。
50%待验证LLM自报的不确定性排序能力与基线模型的不确定性估计大致相当，并未展现出超越经典方法的能力。
50%待验证模型自报的不确定性在排序预测错误方面的能力较弱，Spearman等级相关系数最高仅为0.46。
50%待验证不确定性量化在机器学习领域指对预测结果的不确定性进行建模和估计，在食品识别场景下尤其有价值。
50%待验证开发事实核查机制和不确定性量化方法，可以让模型能够识别并承认知识边界
50%待验证高斯输出分布是预测不确定性量化（UQ）的最基础形式，模型输出分布参数（均值和方差）而非单一标量
50%待验证未来可能需要结合外部校准方法或开发更好的不确定性量化技术，以提升LLM在科学预测任务中的可靠性。
50%