UML方法的相关理论知识补充

这篇blog是针对前一篇论文阅读笔记的补充，主要包括了一些理论知识，便于让小白更容易理解论文中的相关概念。希望对大家有所帮助！！

基于不确定性的估计方法 (Uncertainty estimation method)：评估模型预测置信度和可靠性的一种重要技术，在医学图像分析和其他高风险应用中，了解模型的预测不确定性对提高决策的可靠性和解释性至关重要；

基于不确定性估计的方法：

• 贝叶斯神经网络：通过将神经网络的权重视为概率分布而非固定值，来估计模型不确定性。训练和推理过程中，通过采样不同的权重分布，计算预测结果的分布，从而获得不确定性估计。

• 蒙特卡洛 Dropout：在预测阶段，使用Dropout层（通常在训练阶段使用的正则化技术）来生成多个预测结果。这些结果的方差可以用来估计不确定性。这种方法被称为蒙特卡洛Dropout，因为它通过多次采样（类似于蒙特卡洛方法）来估计不确定性。

• 深度集成：通过训练多个独立的神经网络模型，并将它们的预测结果进行集成，来估计不确定性。每个模型的预测结果的方差反映了不确定性。这种方法需要较多的