普通的機器學習分類迴歸問題都是點估計，即模型給出的輸出是一個real value，或者是各個類別的probability。
但是模型對於不同點的估計，確信度應該是不同的。對於和以往出現過樣本非常相似的點，給出的預測確信度比較高，對於和以往出現過點距離比較遠的點的估計，確信度應該降低。
目前衡量神經網絡結果不確定性的方法主要是貝葉斯神經網絡，每一層的w和b都是服從一個分佈而非是確定的值，所以自然，最後的估計結果可以由貝葉斯公式給出一個置信區間，從而給出不確定性的估計。
但是貝葉斯網絡存在計算量大，複雜的問題。
本文給出一種機器學習的通用學習框架，來更好的訓練模型，具體而言分三步。
1、確定一個合理的訓練目標函數
2、使用對抗學習訓練方法平滑預測函數
3、使用ensemble方法訓練多個預測器
對於多個預測器，採用bootstrap的辦法，抽樣訓練，最後模型的不確定性，由多個預測器給出的預測結果差異決定。
加入對抗學習的目的，好像文中沒有說清楚，說了在e領域內讓預測器穩定平滑，但這樣是爲了什麼，沒有交代的很清楚。
但也大概可以有個模糊的解釋
這個圖中最右是該方法的估計，可見，樣本點上，各個模型相似，所以方差小，灰色寬度小，在樣本外，各個模型給出預測差異大，寬度大。
於是乎，各種結果說明了該方法的有效性。
感覺作者想推廣自己的方法，使之成爲機器學習界通用的訓練方法，但是，好像沒啥動靜。