本研究提出了三种度量标准以评估贝叶斯深度学习模型在语义分割任务中的不确定性估计。通过修改 DeepLab-v3+ 模型并使用 MC dropout 和 Concrete dropout 作为推断技术，本研究在 Cityscapes 数据集上比较和测试这两种推断技术的性能。结果可作为研究者对改进不确定性量化的参考。

Nov, 2018

这篇研究提出了使用带有随机输入的判别组件来增加噪声灵活性，实现模型的半监督贝叶斯主动学习，并且通过全贝叶斯判别组件实现参数值不确定性的估计。

Jun, 2017

利用迭代方法的变分技术，基于生成模型，研发半监督学习的新算法，解决现代数据分析中处理大规模非标记数据集挑战。深度生成模型与贝叶斯推理结合，灵活、高效、可拓展，为半监督学习提供了有力支持。

Jun, 2014

本研究提出了基于贝叶斯公式的 GAN 模型，通过使用随机梯度哈密顿蒙特卡罗方法边缘化生成器和鉴别器网络的权重，在不需要特征匹配或使用小批量区分等标准干预的情况下，实现半监督和无监督的学习效果，避免了模式崩塌的问题，并在多个基准数据集上取得了最佳性能。

May, 2017

在当前深度学习研究的背景下，着重于在涉及大型图像和语言数据集的监督任务中取得高预测准确性，然而从更广泛的视角来看，存在许多被忽视的度量标准、任务和数据类型，如不确定性、主动和持续学习以及科学数据，需要关注。本文认为贝叶斯深度学习（BDL）是一个有前途的方向，在这些不同环境中提供了优势。本文强调 BDL 的优势、现有挑战，并重点介绍了一些旨在解决这些障碍的令人兴奋的研究路径。展望未来，讨论集中在如何将大规模基础模型与 BDL 结合起来发挥其全部潜力。

Feb, 2024

本文提出了一种结合传统概率性图谱分割和深度学习的策略，可以不需要手动标注映像即可为新的 MRI 扫描训练分割模型，在多种 MRI 对比度下，已经在成千上万个 MRI 扫描中通过实验证明了良好的准确性，并在 GPU 上测试只需要约 15 秒。

Apr, 2019

基于卷积神经网络的监督学习算法已成为医学图像分割任务的基准，但其效果严重依赖于大量标记数据。受到半监督算法的启发，利用有标签和无标签的数据进行训练，我们提出了 PLGDF 框架，用于使用较少注释的医学图像进行分割。我们提出了一种新颖的伪标签利用方案，将有标签和无标签的数据有效地合并到数据集中。此外，我们在分割网络的解码器模块中强制保持不同尺度之间的一致性，并提出了适用于评估一致性的损失函数。此外，我们在预测结果上应用了锐化操作，进一步提高了分割的准确性。在三个公开数据集上进行了大量实验证明，PLGDF 框架能够通过融合无标签数据显著提高性能。与六种最先进的半监督学习方法相比，我们的框架具有优越的性能。本研究的代码可以在 https URL 获取。

Nov, 2023

本文提出一种基于盒子注释的弱监督深度学习方法，通过结合图形搜索和深度学习的方法从盒注释中生成精细的对象掩模，并且使用生成的掩模来训练准确的深度学习分割网络，实验结果表明，该方法优于目前已知的最佳弱监督深度学习方法，并且能够以远少于制备全监督深度学习方法相同的注释成本来实现几乎相同的准确性，而且能够有效地应用于各种应用领域。

Jun, 2018

通过对大量卷积和变压器模型的评估，从分布偏移的角度研究了 Bayesian 深度学习算法的泛化能力和校准能力，发现单模后验逼近被集成的方式能够显著提高模型的泛化能力和校准性，而在海量预训练模型上微调时，基于变分推理的方法表现最优，现代的近似推理算法（如 SWAG）能够实现最佳的校准度。

Jun, 2023

本文提出两种新型的深度混合架构，即深度混合玻尔兹曼机和深度混合去噪自编码器，用于处理半监督学习问题，并将其应用于数据流领域以实现终身学习，旨在提高辨别任务的整体预测性能。结果表明，与伪标注、dropout 整流器网络相比，所提出的结构具有更好的性能。

Nov, 2015