基于广义 Laplace 活跃子空间的可扩展 AI 不确定性量化

研究提出一种低秩广义 Laplace 近似方法，用少量数据驱动的曲率方向实现神经网络不确定性量化，无需对网络参数做完整贝叶斯推断。核心发现是标准贝叶斯缩放会导致后验方差随数据规模收缩，迫使低秩框架保留额外弱曲率方向，从而损害预测区间一致性；而按数据量归一化的 mean-loss 缩放能给出更稳定、更低维的活跃子空间和校准良好的预测置信区间。