在信息论中，不确定性是表征某随机变量的发生有多么可靠的物理量。一般用熵来计算这个物理量。如今很多机器学习算法可以很好地将高维空间的数据映射成低维数组，但很少考虑这些映射的准确率，从而导致很多灾难性的后果。

量化不确定性在计算机视觉领域可以被分为回归和分类两大类。现存的描述不确定性的方法有粒子滤波法，条件随机场法等。深度学习方法往往很难描述不确定性。例如在分类问题中，深度学习算法常常会给出归一化的置信度向量，但是却很难得到计算模型的不确定性。因此在大数据背景下对不确定性进行建模是十分重要的。不确定性分析是实验室的主要研究方向之一，旨在探索使用贝叶斯深度学习框架在保持深度学习高性能的同时对不确定性进行映射表示与认知计算，在分类和回归问题中进行使用。

相关科研项目：

[1].国家自然科学基金面上项目，61573255，“面向大规模复杂数据的主曲线多粒度建模与分析”，2016/01-2019/12、在研、第二参与人。
[2].2013年度高等学校博士学科点专项科研基金（优先发展领域），20130072130004，“高效多粒度知识约简算法研究”，2014/01-2016/12、已结题、参与。
[3].国家自然科学基金青年科学基金项目，61005005，“面向特征的主流形理论和算法研究”，2011/01-2013/12、已结题、参与。