深度集成
通过训练多个独立初始化的模型并聚合其预测来估计不确定性的方法，能有效捕捉认知不确定性，实现简单，但推理成本随模型数量线性增长。
时间轴 (近 90 天)
该研究在PTB-XL和BUT QDB两个数据集上评估了五种异常检测器，并与蒙特卡洛Dropout和深度集成两种不确定性方法进行对比。
异常过滤方案的能耗比蒙特卡洛Dropout低一个数量级，比深度集成也低数倍。
能耗差距来自结构差异：不确定性方法需要多次执行同一网络（MC Dropout）或多个网络（深度集成），而异常检测器只需单次前向传播，且被过滤掉的样本直接跳过了分类器执行。
一篇新研究系统比较了上游无监督异常检测（过滤）与分类器自身的不确定性估计（如蒙特卡洛Dropout、深度集成）在远程ECG监测中的效果。
在每种方法回顾性选择的测试准确率峰值处，Deep SVDD两阶段系统的每输入估计能耗为1.93–6.99 mJ；蒙特卡洛Dropout为52.53 mJ；深度集成为8.76–17.51 mJ。
在合成微电网轨迹上，基于采样的生成头（轻量级扩散或流匹配头）的校准表现最佳，优于变分推断和蒙特卡洛Dropout/深度集成。
不确定性估计的常见实现方法包括蒙特卡洛 Dropout、深度集成和贝叶斯神经网络。
全部知识事实 (7)
该研究在PTB-XL和BUT QDB两个数据集上评估了五种异常检测器，并与蒙特卡洛Dropout和深度集成两种不确定性方法进行对比。
50%待验证异常过滤方案的能耗比蒙特卡洛Dropout低一个数量级，比深度集成也低数倍。
50%待验证能耗差距来自结构差异：不确定性方法需要多次执行同一网络（MC Dropout）或多个网络（深度集成），而异常检测器只需单次前向传播，且被过滤掉的样本直接跳过了分类器执行。
50%待验证一篇新研究系统比较了上游无监督异常检测（过滤）与分类器自身的不确定性估计（如蒙特卡洛Dropout、深度集成）在远程ECG监测中的效果。
50%待验证在每种方法回顾性选择的测试准确率峰值处，Deep SVDD两阶段系统的每输入估计能耗为1.93–6.99 mJ；蒙特卡洛Dropout为52.53 mJ；深度集成为8.76–17.51 mJ。
50%待验证在合成微电网轨迹上，基于采样的生成头（轻量级扩散或流匹配头）的校准表现最佳，优于变分推断和蒙特卡洛Dropout/深度集成。
50%待验证不确定性估计的常见实现方法包括蒙特卡洛 Dropout、深度集成和贝叶斯神经网络。
50%