本研究回顾了当前深度学习中不确定性量化（UQ）方法的最新进展，其应用于计算机视觉，医学图像分析，自然语言处理等领域，并调查了这些方法在强化学习中的应用。接着，我们概述了UQ方法的几个重要应用，并简要概述了UQ方法面临的基本研究挑战，讨论了未来在此领域的研究方向。

Nov, 2020

介绍了一种基于本地模型性能的条件密度估计模型的本地conformal方法MD-split ，可用于复杂的现实世界数据设置，用于确定X分区，并与其他本地conformal方法进行比较。

Jul, 2021

介绍一种无需分布假设或模型假设，可用于任何预训练模型（如神经网络）生成100%正确性置信区间（信赖区间）的方法， 称之为一致预测；并提供了Python示例代码和Jupyter笔记本来说明此方法在计算机视觉、自然语言处理和深度强化学习等领域上的应用。

Jul, 2021

本文探讨了在深度神经网络中表示模型不确定性的Conformal Prediction框架，提出了一种新的基于概率方法的模型不确定性量化方法，并提供了可靠的边界用于计算不确定度。

Jun, 2023

用深度学习模型进行安全关键应用的部署仍然是一项非常具有挑战性的任务。我们介绍了一种新的混合不确定性量化方法，将自适应的蒙特卡罗（MC）dropout方法与符合预测（CP）相结合，提供可靠的预测集/区间，从而大大改进了现有的不确定性量化方法。

Aug, 2023

通过深度学习对时空数据进行不确定性量化，可以解决在高风险决策应用中出现的预测错误问题，并为未来的研究方向提供了潜在的机会。

Nov, 2023

神经偏微分方程（Neural PDEs）被证明能够有效重构流系统并预测相关的未知参数。然而，基于贝叶斯方法的神经偏微分方程显示出更高的预测确定性，相较于使用Deep Ensembles方法得到的结果，可能低估了真实潜在的不确定性。

Nov, 2023

人工智能系统中使用不可靠的预测会对决策产生负面影响，而基于模型不可知性量化的符合性预测方法可以解决这个问题，特别是在地球观测应用中，该方法可以提供可靠的不确定性信息并增强可靠性。

Jan, 2024

采用符合预测方法的分布自由不确定性量化框架，获得具有覆盖保证的深度操作网络回归的置信度预测区间，并通过将符合预测与Prob-DeepONet和B-DeepONet相结合，有效地量化不确定性，生成严谨的深度操作网络预测的置信度区间，同时设计一种新颖的Quantile-DeepONet，允许更自然地使用符合预测，被称为符合预测的Quantile-DeepONet回归的无分布有效不确定性量化框架，并通过各种常规、偏微分方程数值示例和多保真度学习证明所提出方法的有效性。

Feb, 2024

过去几十年，数据分析和机器学习领域的大部分工作都致力于优化预测模型，并取得比现有模型更好的结果。然而，本文指出对于很多应用而言，更加重要的并非准确的预测，而是变异性或不确定性。本文进一步探讨了让每个人了解不确定性、意识到其重要性并学会拥抱而不是害怕不确定性的世界，对一种确定性估计准确性的具体框架——被称为“符合性预测”的框架进行了细致研究。而且，无需对数据进行参数假设，这一非参数结果在渐近程度上也不必依赖大数定律，使得这个框架成为唯一值得称为“无分布假设”的框架。

May, 2024