基于信任度评估网络的不确定机器推理
本研究介绍了一种用于分类任务的全新可信区间神经网络（CreINNs），通过确定性区间捕获权重不确定性，同时使用概率区间的数学框架预测区间集合；对 CIFAR10 与 SVHN 的异分布检测基准进行的实验证实表明，与变分贝叶斯神经网络（BNNs）和深度集成（DEs）相比，CreINNs 在对认知不确定性估计方面表现优越，并且 CreINNs 的计算复杂度大幅降低，模型尺寸较 DEs 更小。
Jan, 2024
统计学习理论是机器学习的基础，为从未知概率分布中学习的模型的风险提供了理论上的界限。然而，在实际应用中，数据分布可能会变化，导致领域适应 / 泛化问题。本文通过使用概率凸集（credal sets）模型化数据生成分布的可变性，为学习的 `credal' 理论奠定了基础，并推导了有限假设空间和无限模型空间的界限，直接扩展了传统结果。
Feb, 2024
本文提出了一种创新方法，称为 “信任套件”，用于模型平均的贝叶斯神经网络（BNN）和深度集成的置信区间表示，能够提高分类任务中的不确定性估计。
May, 2024
本文提出 CREPO，一个开放的数据仓库，其中包含一组合成的 Credal networks 以及用于这些模型的精确推断任务的结果，还提供了一个 Python 工具用于加载这些数据和与 CREMA 交互，从而非常容易地评估和比较现有和新的推理算法。同时，本文提出了一种近似启发式算法，用于在变量消除方案中保持生成的顶点数量的最大边界，通过基于 CREPO 的验证，这种方法相对于基于线性化和精确技术的近似程序的效果更好。
May, 2021
本文提出了以区间概率来代表不确定性的方法，并阐述了其在二分类问题中衡量认知不确定性的几何意义。然而，在多分类问题中，利用几何体积来衡量认知不确定性则变得无意义。所以在机器学习领域中，对于不确定性的表达和量化需要谨慎处理。
Jun, 2023
本文通过对文献的元分析，发现大多数计算机视觉应用都没有使用恰当的认识不确定性量化方法，从而忽略了模型自身的局限性。我们描述了使用没有适当的不确定性量化的模型所产生的后果，并激励社区采用具有适当校准的认知不确定度的模型版本，以实现让模型具有识别未知数据集的能力。在本文中，我们还总结了计算机视觉应用程序中不确定性估计的挑战和建议。
Apr, 2021
提出了一种用基于贝叶斯信任网络和蒙特卡罗采样的方法来对神经网络进行不确定性估计，这个方法具有与神经网络结构和任务无关，不需要优化进程的更改，能够应用于已经训练好的结构，有效地提高了准确性。
Jul, 2019
研究方法来量化决策函数对于置信贝叶斯网络的鲁棒性，使得能够通过概率电路上的约束优化问题来获得 MARmax 的有保证的上限，理论上表现出不错的上限紧度，并且具有较好的可扩展性。
May, 2022