我们提出了一个统一的不确定性估计方法，适用于广泛的认知诊断模型，并针对参数在不同领域定义的情况修改了参数重参数化方法，同时将诊断参数的不确定性分解为数据方面和模型方面，以更好地解释不确定性的来源。大量实验表明，我们的方法是有效的，并且能够对认知诊断的不确定性提供有用的见解。

Mar, 2024

综合机器学习医疗模型在临床实践中的应用仍然不理想，缺乏证据证明其可靠性进而限制了其广泛应用。本文综述了用于各种医学图像任务中开发的机器学习模型的不确定性量化方法，包括概率和非概率方法，以全面调研与不确定性量化相关的研究。该综述对医学图像的分析和医学应用以及相应的不确定性评估协议进行了讨论，并强调了未来的研究方向。整体上，本综述旨在帮助临床和技术领域的研究人员快速而深入地了解医学图像分析机器学习模型中的不确定性量化研究。

Oct, 2023

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

基于标签分解的不确定性量化方法，提高成本敏感决策并帮助理解不确定性来源，使用方差等非分类度量定义总体、属概性和认知不确定性，针对分类任务进行实证评估。

Jun, 2024

提出了一种系统论方法来处理自动驾驶中存在的不确定性威胁，通过对缺乏知识的根本原因进行的不确定性分类（包括触发模型、模型参数缺失和模型不完整性），将方法聚类为不确定性预防、不确定性消除、不确定性容忍和不确定性预测，与 Laprie 等人的分类方法类比。

Mar, 2023

本篇论文提出了一种基于神经网络和新型 dropout - 熵测量方法的模型以及基于特征表示的度量学习方法，可以更精确地预测，提高分类器的预测准确性，尤其在医学诊断等需要确定不确定预测的领域有广泛的应用。

Jul, 2019

提出了基于合适评分规则（proper scoring rules）的新的测量方法，用于量化机器学习中的系统不确定性和认知不确定性，建立了不同不确定性表示之间的联系，并引入了新的认知和系统不确定性度量。

Apr, 2024

针对机器学习模型影响采纳的关键因素之一 —— 信任，本研究提出了一组特征量，可以表征一个实例的复杂程度，并借助元学习框架评估误分类的风险。该框架在提高模型开发的复杂性方面具有潜在的应用前景，同时提供新的模型自我阻抗和解释手段。

Apr, 2023

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

本篇论文探讨了概率数值方法，即在数值计算任务（包括线性代数、积分、优化和解决微分方程）中，如何返回计算不确定性，并提出了新算法以适应应用的特定需求，并 改善经验性能。这种方法可用于管理数值不确定性，并且可应用于现代科学和工业领域，特别是在气候科学和天文学领域的实际问题中。

Jun, 2015