本文提出了一组新的方法，可以通过单次前向传递来估计深度神经网络中的认识不确定性，这些确定性不确定性方法在表示信息的前提下，在检测超出分布数据（OOD）方面表现出强大的性能，同时几乎不增加推理时间的计算成本。然而，DUMs 是否校准良好且是否可以无缝地扩展到实际应用仍不清楚。本文对 DUM 进行分类和评估，发现当前方法的实用性受到分布移位校准的限制。

Jul, 2021

本文提出将 Deep Deterministic Uncertainty 扩展至语义分割领域，其能够量化和分离模型的认识不确定性和随机不确定性，同时提出将 DDU 独立于像素位置进行应用，以此减少内存消耗，最后在 Pascal VOC 2012 数据集上使用 DeepLab-v3+ 神经网络结构能够有效提升模型性能与运算速度。

Oct, 2021

本研究介绍了一种新方法 Deep Uncertainty Distillation using Ensembles for Segmentation (DUDES)，它能够高效地进行深度神经网络的预测不确定性估计，而不会牺牲性能，以解决自动驾驶、医学图像和机器视觉应用中模型可靠性不足的问题。

Mar, 2023

该研究介绍了一种名为 Discriminant Distance-Awareness Representation（DDAR）的新颖且高效的确定性不确定性评估方法，通过构建一个在潜在表示中包含一组原型的 DNN 模型来分析输入数据的有价值特征信息，通过松弛限制了决定性不确定性方法（DUMs）架构的利普希茨条件，从而克服了特征坍缩问题，实验结果表明 DDAR 是一种灵活且与架构无关的方法，在多个基准问题上优于现有的不确定性评估方法。

Feb, 2024

为了保证自动驾驶汽车在公共道路上行驶安全，本文提出了一种基于 Lidar 点云的三维汽车探测器的概率检测方法，可以可靠地表示分类和定位任务中的外在和内在不确定性，并通过建模内在不确定性来提高检测精度 1％- 5％。

Apr, 2018

通过评估两种方法对深度学习分类模型的影响，即确定性不确定性方法和不确定性感知培训，我们发现这两种方法都可以在心脏成像领域的两个实际临床应用中提高准确性和校准度，其中确定性不确定性方法一般提供最佳改进效果，同时它们的组合也进一步改进了部分确定性不确定性方法和不确定性感知培训方法的组合。

May, 2024

论文提出了一种通过单次前向传递来训练确定性深度模型的方法，该深度模型可以找到并拒绝分布外的数据点。此外，论文还提出了一种基于确定性不确定性量化（DUQ）的建议，并描述了一种新的损失函数和质心更新策略。通过引入梯度惩罚，我们能够可靠地检测分布外的数据，并且可以在大型数据集上缩放不确定性量化。最后，作者在一些难以检测的数据集上，如 FashionMNIST vs. MNIST 和 CIFAR-10 vs. SVHN，使用单个模型得出了比 Deep Ensembles 更好的结果。

Mar, 2020

本文提出了一种新的算法，通过利用深度神经网络分类器中数据点的潜在空间表示来评估其预测的准确性，该方法可以检测出分布之外的数据点被不正确地预测，从而有助于自动检测异常值。

May, 2023

本文提出了一种方法，通过考虑地面真实标定数据中的潜在噪声，改善学习概率分布的能力，从而提高自动驾驶探测器的准确性和物体检测性能。

Oct, 2019

本文提出了一种基于不确定性学习的密集神经同步定位与地图构建方法，并通过传感器不确定性估计在线框架对其进行了优化。相较于现有的神经模型，该方法在多传感器输入情况下可实现更优秀的地图构建和定位精度。

Jun, 2023