研究了新闻文章作为补充数据来源来丰富传统数据资源的潜力，提出了一种基于弱监督机器学习来分类新闻文章并生成基于弱监督的经济政策不确定性指数的解决方案，并用这个指数进行了广泛的计量经济学分析以验证该指数是否预示着较弱的宏观经济表现。

Aug, 2022

经济政策不确定性（EPU）是投资者在经济政策变动中所体验到的不确定性，是经济研究中预测未来投资、失业率和衰退的重要指标。本文简要定义了 EPU 并回顾了用于测量 EPU 的方法，调查了 EPU 水平变动所影响的领域。我们将 EPU 测量方法分为三个主要组别，并列举了每个组别的方法示例，并讨论了每组方法的优缺点。在 EPU 测量方法中，基于文本挖掘的方法得到了广泛研究。这些方法通过考虑新闻和公开可获取的金融信息中所代表的不确定性来测量实现的不确定性。最后，我们调查依赖测量 EPU 指数的研究领域，并希望通过研究不确定性的影响能够引起来自各个研究领域的进一步关注。此外，我们提出了一个关于使用文本材料测量 EPU 的未来研究方法清单。

Aug, 2023

本文提出了一种简单的 Monte Carlo Dropout 算法，可以显式地量化神经网络输出的不确定性，利用此种不确定性可以解释模型复杂现象、如情感识别，此外也可以用于辨别主观标记样本和数据偏差的问题。

Sep, 2019

研究在从低资源语言中采样的数据集上训练模型的情况下，通过多种方法评估和分析神经分类器的预测置信度，发现尽管使用预训练模型和集成模型可以获得最佳结果，但数据集规模增大时不确定性估计的质量可能会受到影响。对序列不确定性进行了定性分析，发现模型的总不确定性在很大程度上受到数据不确定性的影响，并提供了开源的软件包。

Oct, 2022

通过引入综合评估标准，研究本文对两个大型语言模型和一个预训练语言模型在三个数据集上进行的不确定性估计能力的评估表明，多个不相关的自然语言生成指标和多样化的不确定性估计方法对于可靠高效地评估 UE-TS 技术至关重要。

Jun, 2024

本论文提出了新方法来研究自然语言处理（NLP）任务中表征模型和数据不确定性的好处，通过在卷积和循环神经网络模型上的实证实验，展示了明确建模不确定性不仅有利于测量输出置信水平，而且对于提升各种 NLP 任务中的模型表现也是有用的。

Nov, 2018

利用贝叶斯决策理论的视角，本研究通过假设我们的效用是通过比较生成的回答和理论上的真实回答的相似度来衡量，从而解决了大语言模型生成自由形式回答时的不确定性量化问题。我们进一步从缺失数据的角度推导出一种表征为过量风险的认知不确定性衡量方法。所提出的方法可以应用于黑盒语言模型，并在问答与机器翻译任务上展示了如何从 GPT 和 Gemini 模型中提取具有广泛意义的不确定性估计并量化它们的校准度。

Jun, 2024

本研究提出了工具和度量方法来评估机器翻译模型中数据不确定性的捕捉，以及这种不确定性如何影响生成翻译的搜索策略。我们的结果表明，搜索功能表现出色，但模型往往在假设空间中分散了太多的概率质量。此外，我们还提出了评估模型校准的工具，并展示了如何轻松解决当前模型的一些缺陷。

Feb, 2018

通过结构化的认知图谱对文字信息进行分析，提出了一种衡量非概率不确定性的方法，该方法还可以通过自动化文本分析大大增强这些技术所提供的可能性。

Jan, 2022

探究利用不同的不确定性度量方法，将其纳入到神经对话系统的信念追踪中，以提高对话策略性能和鲁棒性。

Sep, 2021