本文提出了一种利用元学习方法和训练策略捕捉标签依赖关系的元学习方法，其训练策略用于交叉熵损失函数训练分类器，预测策略则用于预测。实验结果表明该方法可以更准确地进行多标签分类。

Sep, 2019

本文提出了一种基于系统中每个任务的均方差误差的权重的深度学习多任务学习方法，可以同时处理分类和回归任务，并在主管深度估计、语义和实例分割方面展示了比独立训练的模型更好的表现。

May, 2017

该文章研究了如何通过邻居的注释来提高判别模型的性能，并应用于图像和语言领域的多个问题中，通过实验结果显示了该方法可以提高输出多样性和模型准确性。

Jun, 2018

提出了一种利用不确定性估计的人工智能模型训练方法，结合多视图预测和优化算法，实现了准确的预测和标签不确定性估计。

Apr, 2024

提出了一种基于优化的元学习方法，其利用新的不确定性感知任务选择模型和多查询任务公式，在进行少样本学习时，能够有效地降低标记成本和计算开销，并且在多个实际应用中进行的实验表明，该模型效果显著。

Mar, 2022

通过使用多假设 dropout 和一种新颖的随机分胜负损失函数，本文提出了一个混合多输出函数 (MoM) 方法，该方法不仅估计均值而且估计假设的方差，并在监督学习和无监督学习问题上实验验证了其性能优越性。

Dec, 2023

研究纸的主要议题和研究领域是 NLP 系统的不确定性评估，并讨论了预测分布对于模型信心和人类标签变化的指示的两种不同观点，推荐工具和展示了关于预测和人类标签不确定性的解耦表示的令人兴奋的方向。

Feb, 2024

本文提出了一种使用多假设自编码器来更高效地学习前景数据分布的异常检测框架，同时使用辨别器来批判模型，并在多个假设之间强制多样性，在 CIFAR-10 上取得了 3.9％的提高，并将基线模型的误差从 6.8％降低到 1.5％。

Oct, 2018

为了预测智能与健壮的复杂动态环境下未来的多个目标路径，该论文提出了基于概率的框架来学习表示语义多模态未来的潜在变量，其中利用动态基于注意力的状态编码器学习编码智能体之间的交互，可被用于车辆轨迹预测。

Nov, 2019

本文提出了一个针对人类姿态预测的开源库，其中包含多种模型、数据集和标准化的评估指标，旨在促进研究，并向统一和公平的评估发展。该研究通过提出建模其他模型的不确定性，并引入一个新的方法来量化任何模型的认知不确定性，证明其在准确性方面有高达 25% 的改进，并在不确定性估计方面表现更好。

Apr, 2023