神经网络通过结合概率方法、架构调整和后处理技术来处理不确定性，这些技术可以量化预测的置信度。 现代方法不是产生确定性的输出，而是使模型能够估计预测及其周围的不确定性。 这对于医疗诊断或自主系统等应用至关重要，在这些应用中，知道模型何时不确定与预测本身同样重要。
一种常见的方法是贝叶斯神经网络 (BNN)，它将模型权重视为概率分布而不是固定值。 在训练期间，BNN 学习分布，这些分布捕获每个权重如何影响预测的不确定性。 例如，使用 TensorFlow Probability 或 PyTorch 的 Pyro 库，开发人员可以实现 BNN，不仅输出类标签，还输出置信区间。 Monte Carlo dropout（一种更简单的近似）通过在推理期间启用 dropout 运行多个前向传递来实现类似的结果。 这些预测的方差反映了不确定性。 例如，在图像分类中，模型可能会为“猫”分配 80% 的概率，为“狗”分配 15% 的概率，样本之间的高方差表明置信度较低，从而促使人工审核。
另一种方法涉及模型集成，其中使用不同的初始化或数据子集训练的多个网络对预测进行投票。 模型之间的分歧表明不确定性。 在预测房价的回归任务中，集成可以输出一个价格范围（例如，50 万美元到 55 万美元），而不是一个单一的值。 TensorFlow 的 TF-Agents 等框架简化了集成的创建。 此外，分类网络中的 softmax 输出可以充当置信度分数，尽管它们通常过于自信。 开发人员通过使用温度缩放来校准输出或通过监控预测熵来缓解此问题——低熵（例如 [0.9, 0.1]）意味着高置信度，而高熵（例如 [0.6, 0.4]）标记不确定性。 这些技术使神经网络在现实世界的场景中更加可靠，在这些场景中，模糊的输入很常见。