本文研究基于距离比较的序列嵌入问题，考虑给定的限制条件因人类判断而产生误差和变异性，提出了新的算法来预测和优化嵌入结果。

Jun, 2016

该研究论文讨论了检测回归算法中的不可靠行为的挑战，首先正式介绍了回归中的不可靠性概念，然后利用概率建模工具估计误差密度并测量其统计差异性，从而得出表达回归结果不确定性的数据驱动评分。实验证明在多个回归任务中，该方法在错误检测方面的性能显著优于流行的基准方法，并为不确定性量化和安全机器学习系统的广泛领域做出贡献。

Jun, 2024

对卫星影像的分类中，使用多个标记者的多次标记结果，通过贝叶斯方法中的 Dirichlet-Multinomial 模型，在 K 维空间中对标记结果进行嵌入，以解决不确定性量化和分类中的模糊性问题。

Nov, 2023

提出了两种新的方法，一种是通过新的架构来实现偏好的单峰分布，另一种则通过利用映射的概念来建立新的损失函数，以促进单峰性，实践结果表明新架构获得了最佳性能，并且新损失项在维持高单峰性的同时具有很强的竞争力。

Mar, 2023

本文研究基于统计学习理论的机器学习方法中的不确定性问题，并深入探讨了在回归分析中评估模型系数和输出特征值预测中的不确定度。另外，针对机器学习中的模型复杂度和严重非线性等问题提出解决方案，并指出决策制定时需要对机器学习模型和预测进行不确定性评估、风险评估的需求，并提供使用非参数技术解决不确定性问题的方法及最新的超级计算机设备供进行高强度计算。

Jun, 2022

提出了一种基于分布式边际学习（DMOE）的序数嵌入技术，用于解决缺乏训练样本时的序数嵌入问题，该方法避免了直接最大化边际均值和最小化边际方差，从而提高了整体的泛化性能。

Dec, 2018

本文提出了一种新的针对回归任务中不确定性预测校准的方法和评估方法，并通过对合成问题和对 COCO 和 KITTI 数据集的物体检测边界框回归任务的实验验证，展示出基于直方图的聚类方法和基于缩放的校准方法的效果相当好。

May, 2019

本文介绍了一种简单而有效的方法，即将传统神经网络适应于学习序数类别，其性质既具有分类又具有回归的特性。我们的方法是序数回归的感知机方法的一般化，它在多个基准数据集上优于神经网络分类方法。此外，NNRank 在信息检索、网页排名、协作过滤和生物信息学中的蛋白质排名等大规模数据处理任务中具有传统神经网络学习方式的优点。

Apr, 2007

该论文提出了一种基于证据学习的深度贝叶斯分位回归模型，能够在没有高斯分布假设的情况下估计连续目标分布的分位数，同时捕捉不确定性和提高模型的可计算性和可扩展性。

Aug, 2023

本文探讨贝叶斯方法在不确定性问题上的推理方法，提出一种简单有效的校准程序，可以保证在足够的数据下，任何回归算法都能够产生准确的校准不确定性估计，并应用于贝叶斯线性回归、前向和递归神经网络中，能够稳定输出准确的区间预测，并提高时间序列预测和基于模型的强化学习性能。

Jul, 2018