我们提出了一种新颖的不确定性量化视角。我们认为不确定性度量并非原始概念，而是更高层次建模决策的结果。
通过对主观风险的分解，我们展示了如何推导出认知不确定性和随机不确定性度量，这一过程基于严格适当的损失函数。反向交叉熵是一个显著的例子，通过分解恢复了经典的信息论不确定性项。此外，该方法还恢复了UQ文献中先前提出的多种度量，为它们提供了共同的理论基础。
从实际角度来看，这为UQ提供了一种新方法：在给定建模场景和严格适当损失的情况下，相应的认知和随机项由主观风险分解诱导而来。我们进一步扩展了这一观点到学习理论：引入并分析了超额风险、近似误差和估计误差的主观风险类比，并识别与UQ的关系。
我们认为这是朝着完整的学习理论框架进行不确定性量化的第一步。
博主点评： 本文通过主观风险的分解重新定义了不确定性量化的基础，提出了一种兼具理论深度和实用价值的方法，尤其是在学习理论中的应用潜力令人期待。