本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

Aleatoric 不確定性

仲裁不確定性是指無法解釋的資料固有隨機性 (仲裁者是指在拉丁中擲骰子的人）。具有暫時性不確定性的資料範例包括雜訊遙測資料和低解析度影像或社交媒體文字。您可以假設權衡不確定性 ，即固有隨機性，為常數 (同級隨機) 或變數 (異級隨機)，做為輸入解釋變數的函數。

同級權衡不確定性

當 為常數時，同級極端不確定是最簡單的案例，且通常在迴歸中遇到的建模假設為 ，其中 是身分矩陣 ，其中 是常數純量。假設回應 的雜訊 與解釋變數 和常數無關，而且很少反映事實，則承擔常態風險是非常嚴格的。許多現象本質上不會呈現固定的隨機性。例如，實體系統中結果的不確定性，例如流體運動，通常是動能的函數。考慮大型瀑布的動盪水流與裝飾噴泉的層狀水流之間的對比。水粒子軌跡的隨機性 （隨機性） 是動能的函數，因此不是常數。此假設可能會在建立託管可變雜訊之目標與輸入之間的關係模型時，導致遺失寶貴資訊，且無法以可觀察的資訊解釋。因此，在大多數情況下，假設同速不確定性是不夠的。除非已知現象本質上是同化的， 否則如果可以，則應將固有的雜訊建模為解釋性變數 的函數。

Heteroscedastic aleatoric 不確定性

異質性等式不確定是當我們將資料中的固有隨機性視為資料本身的函數時 。若要計算這種類型的不確定性，您會平均預測變異數的範例集：

由 BNN 估計。訓練期間的學習權衡不確定性鼓勵 BNNs 在無法解釋的資料中封裝固有隨機性。如果沒有固有隨機性， 應該傾向於零。