机构名称：
¥ 4.0
准确、标准化和质量保证的测量为社会带来了诸多好处。这一目标是通过计量基础设施实现的，这些基础设施定义了主要的测量标准，并确保所有测量都可以通过不间断的校准链追溯到这些标准，每个校准链都会增加测量不确定度（BIPM 等）。机器学习 (ML) 和人工智能 (AI) 有可能将计量的范围扩展到信号处理应用，例如先进制造、自动运输、网络通信和医学成像，其中底层物理模型要么不太了解，要么计算效率低下。然而，人们认为 ML 的输出不可信，阻碍了 ML 及其所有优点的采用（Floridi，2019 年）。更具体地说，ML 预测的可追溯性必须伴随着对不确定性的可靠定量评估。虽然机器学习的最新进展在很大程度上集中在分类任务上，但机器学习在计量学中的典型用途是回归任务，其中需要估计连续量。虽然目标是使用有关连续（单变量）量的信息来做出决策或评估系统是否满足特定要求，但根本挑战是测量该量以提供该信息，因此我们将在本报告中重点关注回归问题。计量学中如何出现回归问题？它们的出现是因为通常不可能或不希望直接测量一个量，而是需要或希望从一些更容易测量或有信息的贡献中推断出关于一个量的信息。这些贡献可能与某些仪器或系统进行的测量、应用的校正或从制造商的规格或校准证书等来源获得的信息有关。然后需要一个模型来从这些贡献中推断出有关感兴趣数量的信息。通过测量模型评估不确定性的框架在有影响力的“测量不确定度表达指南”（GUM）（BIPM 等，2008a）中为计量界标准化。在许多情况下，不可能基于物理理解构建或执行分析模型的计算，而是必须采用数据驱动的方法。举三个示例测量问题，其中 ML 要么正在使用，要么具有潜力。
NPL 报告 MS 34 - 机器学习的不确定性评估
主要关键词
相关文件推荐
