في عالم الذكاء الاصطناعي، يمثل عدم اليقين في التنبؤات تحديًا كبيرًا. التقليدي في هذا المجال يتعامل مع عدم اليقين من خلال تقسيمه إلى مكونين رئيسيين: المعرفي والعشوائي (epistemic and aleatoric). لكن هذه النماذج غالبًا ما تعاني من مشكلة الارتباط الشديد بين التقديرات، نظراً لأن كلا الكميتين يتم احتسابهما من نفس التوزيع التنبؤي.

هنا يظهر مبدأ جديد يُعرف بالفصل الهيكلي (structural separation)، والذي يقسم عدم اليقين إلى مسارات برمجية متمايزة، حيث يتم تدريبها بأهداف إشرافية مختلفة، مما يسمح بتمييز أكثر دقة بين الأخطاء في التنبؤات والضبابية المستمرة في التسمية.

تم تطبيق هذا المبدأ على نموذجين من نماذج المتغيرات الخفية، وهما نموذج خزان المفاهيم (Credal Concept Bottleneck Model) والشبكة العصبية الذاتية الشرح (credal Self-Explaining Neural Network). وأثبتت الدراسات أن الرؤوس المتعددة لعدم اليقين لا تتداخل معًا تحت هذا التوزيع المقترح، مما أدى إلى تحسين ملحوظ في دقة التنبؤات.

عبر خمسة معايير للغموض، أظهر الفصل الهيكلي قدرة كبيرة على تخفيض الارتباط بين الشكوك المعرفية والعشوائية، مع الاحتفاظ بالأداء التنبؤي. وأظهرت تحليلات إضافية أن التقديرات العشوائية تتبع الغموض المستمد من الم annotator أو مجموعة البيانات، في حين أن التقديرات المعرفية تكون أكثر حساسية لخطأ التنبؤ وتوافر البيانات.

هذه النتائج تشير إلى أن الهياكل الخفية المشروطة تعطي مسارًا عمليًا نحو تقديرات عدم اليقين التي تتجاوز مجرد إزالة الارتباط، بل تجعلها قابلة للتفريق تشغيليًا.