この記事では、ダイナミックモデルとノイズを含む不完全な観測データを組み合わせてシステムの状態を推定するデータ同化プロセスにおける不確実性を扱います。従来の決定論的機械学習手法を基に、提案されたのは変分推論を用いた拡張モデルです。このモデルでは、予測される状態が多変量ガウス分布に従うことを特徴としています。カオス的なローレンツ96ダイナミクスを用いてテストした結果、新しいモデルはほぼ完璧にキャリブレーションされた予測を提供し、より長いデータ同化ウィンドウの利用によって更なる利点をもたらすことができることが示されました。著者はコーディングした結果を提供しており、さらなる研究や応用が期待されます。