从稀疏传感器测量中重建高维时空场在众多科学应用中至关重要。SHallow REcurrent Decoder（SHRED）架构是一种先进的架构，能够从超稀疏传感器测量流中重建高质量的空间域。然而，SHRED的一个重要局限在于，在复杂、数据稀缺、高频或随机系统中，时空场的部分区域必须通过有效的不确定性估计进行建模。 为此，研究者提出了UQ-SHRED，这是一个用于稀疏感知问题的分布学习框架。它通过一种称为engression的基于神经网络的分布回归方法，为模型预测提供了不确定性量化。UQ-SHRED通过学习给定传感器历史条件下的空间状态预测分布来建模不确定性。 该方法通过向传感器输入注入随机噪声，并使用能量评分损失进行训练，能够以最小的计算开销生成预测分布。其核心优势在于，仅需在输入阶段进行噪声注入，并通过单一架构进行重采样，无需重新训练或引入额外的网络结构。 在包括湍流、大气动力学、神经科学和天体物理学在内的复杂合成及真实数据集上，UQ-SHRED能够提供具有良好校准置信区间的分布近似。研究还进行了消融实验，以理解不同模型设置如何影响UQ-SHRED的性能质量，并验证其在一系列不同实验设置下进行不确定性量化的有效性。