你确定吗？符号回归中不确定性量化的全面且易懂综述

arXiv cs.LG 论文
symbolic-regression uncertainty-quantification survey machine-learning model-reliability frequentist bayesian

摘要

关于符号回归中不确定性量化的全面综述，回顾了频率学派、贝叶斯以及模型选择方法，以解决在现实决策过程中缺乏可靠性支持的问题。

arXiv:2606.06567v1 公告类型：新 摘要：符号回归（SR）是一类系统探索数学函数空间以发现准确捕捉数据集中潜在关系模型的方法。尽管该领域近期取得了进展，但缺乏不确定性量化（UQ）支持限制了其在现实决策过程中的应用。在回归分析中，UQ提供了关于模型可靠性的重要信息，这不仅有助于通过考虑数据中的不确定性来避免过拟合，还能为决策提供见解。本综述首次明确解决这一问题，旨在介绍基本的UQ概念并回顾SR中UQ的当前文献，这些文献大致可归为三个研究方向：频率学派、贝叶斯和模型选择。尽管UQ在SR中非常重要，但尚未得到充分探索，这促使了进一步研究可靠的SR中的UQ方法。
查看原文
查看缓存全文

缓存时间: 2026/06/08 09:16 

# 你确定吗？符号回归中不确定性量化的全面且可理解的综述
来源：https://arxiv.org/abs/2606.06567
查看PDF (https://arxiv.org/pdf/2606.06567)

> 摘要：符号回归（Symbolic Regression, \(SR\)）是一类系统探索数学函数空间以发现准确捕捉数据集中潜在关系的模型的方法。尽管该领域近期取得了进展，但缺乏对不确定性量化（Uncertainty Quantification, UQ）的支持限制了其在现实世界决策过程中的应用。在回归分析中，UQ提供了关于模型可靠性的重要信息，这既有助于通过考虑数据中的不确定性来避免过拟合，也能为决策提供洞见。本综述首次清晰阐述这一问题，旨在介绍基本的UQ概念，并综述当前SR中UQ的相关文献，这些文献大致可归纳为三个研究方向：频率学派、贝叶斯学派和模型选择。尽管UQ在SR中具有重要性，但相关研究仍显不足，这促使我们进一步探索可靠的SR中的UQ方法。

## 提交历史

来自：Julia Reuter \[查看邮件 (https://arxiv.org/show-email/9bf85f8e/2606.06567)\] **\[v1\]** 2026年6月4日星期四 17:29:56 UTC (187 KB)

相似文章

观点：大型语言模型中的不确定性量化仅是无监督聚类

arXiv cs.CL

这篇观点论文认为，当前大型语言模型的不确定性量化方法本质上属于无监督聚类，测量的是内部一致性而非外部正确性，因此无法检测出自信的幻觉。作者主张进行范式转变，将不确定性建立在客观真理之上。

大型语言扩散模型的不确定性量化

arXiv cs.CL

本文首次系统研究了大型语言扩散模型（LLDMs）的不确定性量化（UQ），提出了从迭代去噪过程中衍生的轻量级零样本不确定性信号，并表明LLDMs能够在实现快速推理的同时，提供可靠的幻觉检测，与基于采样的基线方法相比，计算开销降低高达100倍。

知识图谱中的可扩展不确定性推理

arXiv cs.AI

本论文提出了一个模块化框架，用于知识图谱中的可扩展不确定性推理，通过定制的代数、逻辑和几何技术，处理不精确的属性值、概率性三元组存在以及不完整的模式知识。