规范感知的预测不确定性分解

论文提出三项不确定性分解，规范不确定性可判断是否需先澄清输入。

资讯摘要

论文针对输入表示不完整的情形，提出将预测风险分解为规范不确定性、残余偶然不确定性和认知不确定性三项。作者指出，在原始信息层面，贝叶斯风险可拆为揭示用户意图带来的预期风险下降（规范不确定性）与意图已知后仍存在的残余偶然不确定性，前者可用于判断是否应先请求澄清。作者构建了近似方法并在多领域多模态实验中观察到三项各自作用不同。

要点速读

1. 论文将预测风险形式化为规范、残余偶然与认知不确定性三项分解
2. 规范不确定性定义为揭示意图后贝叶斯风险的预期下降，残余偶然不确定性为意图已知后剩余风险的平均
3. 实验显示规范不确定性对检测欠规范输入最有效，残余偶然不确定性对检测分布内预测错误最有效

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/4 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。