概念Deep Ensembles
深度集成
通过训练多个独立初始化的模型并聚合其预测来估计不确定性的方法，能有效捕捉认知不确定性，实现简单，但推理成本随模型数量线性增长。
时间轴 (近 90 天)
10月18日
在合成微电网轨迹上，基于采样的生成头（轻量级扩散或流匹配头）的校准表现最佳，优于变分推断和蒙特卡洛Dropout/深度集成。
待验证50%
10月12日
不确定性估计的常见实现方法包括蒙特卡洛 Dropout、深度集成和贝叶斯神经网络。
待验证50%
通过训练多个独立初始化的模型并聚合其预测来估计不确定性的方法，能有效捕捉认知不确定性，实现简单，但推理成本随模型数量线性增长。
在合成微电网轨迹上，基于采样的生成头（轻量级扩散或流匹配头）的校准表现最佳，优于变分推断和蒙特卡洛Dropout/深度集成。
不确定性估计的常见实现方法包括蒙特卡洛 Dropout、深度集成和贝叶斯神经网络。