《Sensors》:The Physical Fidelity Gap as an Evidence-Traceability Problem in AI Uncertainty Quantification: A Structured Review
编辑推荐:
人工智能(AI)日益在传感和测量任务中产生不确定性输出,但支持这些输出的证据可能无法与相关的真实世界条件保持可追溯的对应关系。研究人员对566项研究进行了结构化的15维编码综述,其中556项形成了稳定的主导AI不确定性声明单元,并进入共同分析集。每个最终编码均
人工智能(AI)日益在传感和测量任务中产生不确定性输出,但支持这些输出的证据可能无法与相关的真实世界条件保持可追溯的对应关系。研究人员对566项研究进行了结构化的15维编码综述,其中556项形成了稳定的主导AI不确定性声明单元,并进入共同分析集。每个最终编码均关联到行级审计证据。单维分布首先在声明–条件–测试–不确定性–响应链的相关节点上显示出非零频率的断点状态,从而证实了当前语料库中可观察的证据不连续性。随后,研究人员使用三个顺序的、非补偿性的证据问题对研究进行分层。在556项研究中,347项(62.4%)被归类为弱(Weak),133项(23.9%)为中等(Medium),76项(13.7%)为强(Strong)。描述性跨维度比较表明,特定的OOD/漂移风险或误差/质量估计声明、多不确定性入口点、多物理信息类型以及采样/集成近似更常与较高的证据可追溯性同时出现;预测可靠性/置信度声明、独立的不确定性代理/分数以及延迟/实时推理约束更常与较低的证据可追溯性同时出现。研究人员将上述证据不连续性总结为物理保真度差距(PFG),其指的是文献中公开报告的AI不确定性声明与相关物理、测量或操作条件之间不完整或不可验证的证据联系。PFG提供了一个范围受限的参考,用于定位可能需要加强的证据链环节。当前语料库中可观察的断点表明,公开证据在形成连续、可验证的声明–条件–测试–响应对应关系方面仍有改进空间;分层比较表明,后续工作可以通过澄清声明条件、将相关条件纳入实证测试以及报告可识别的不确定性响应和扩展佐证来加强证据链。
1. Introduction
AI不确定性量化已从单一算法问题扩展到传感、测量和监测链中的输出问题,模型可提供预测概率、预测区间或集合、不确定性分数、证据度量以及后验或预测分布等输出。方法上形成了贝叶斯神经网络、蒙特卡洛 dropout、深度集成、证据