우리는 불확실성 정량화(uncertainty quantification)를 위한 새로운 관점을 제시합니다. 불확실성 측정값은 공리나 논증이 필요한 기본 원시 요소가 아니라, 오히려 더 높은 수준의 모델링 결정의 결과물입니다. 우리는 엄격하게 적절한 손실 함수(strictly proper loss)를 기반으로 주관적 위험(subjective risk)을 분해함으로써 인식론적 불확실성(epistemic uncertainty)과 우연적 불확실성(aleatoric uncertainty) 측정값을 도출하는 방법을 보여줍니다. 역 교차 엔트로피(Reverse cross-entropy)는 대표적인 예시로, 여기서 분해를 통해 고전적인 정보 이론적 불확실성 항들이 복구됩니다. 이와 동일한 접근 방식은 UQ 문헌 전반에 걸쳐 이전에 제안되었던 수많은 측정값들을 복구하며, 이들에게 공통의 이론적 토대를 제공합니다. 실용적인 관점에서 볼 때, 이는 UQ를 위한 새로운 접근 방식을 시사합니다: 모델링 시나리오와 엄격하게 적절한 손실 함수가 주어지면, 그에 상응하는 인식론적 및 우연적 항들이 주관적 위험 분해를 통해 유도됩니다. 나아가 우리는 이 관점을 학습 이론(learning theory)으로 확장합니다: 초과 위험(excess risk), 근사 오차(approximation error), 추정 오차(estimation error)의 주관적 위험 유사체들을 도입하고 분석하며, UQ와의 연결고리를 파악합니다. 우리는 이것을 불확실성 정량화를 위한 완전한 학습 이론적 프레임워크로 나아가는 첫 단계로 간주합니다.