本研究针对神经网络预测的不确定性准确度进行研究，提出了针对不同使用场景下的新度量标准，探讨了模型复杂度与不确定度准确度之间的权衡关系，并通过实验验证了新度量标准的有效性和一些有趣的趋势。

Mar, 2019

深度学习模型对交通预测的强大预测性能使其得到广泛应用，但缺乏可解释性限制了其在实际智能交通系统中的部署。通过使用不确定性量化方法，我们调查了这些方法在跨多个城市和时间段的大规模基于图像的交通数据集上的应用，以获得对现有不确定性方法在交通预测中的实用性以及不确定性与城市交通动态之间的关系的全面认识。在在时间和时空转移任务上比较了两种认知不确定性方法和两种他稳不确定性方法后，我们发现可以恢复有意义的不确定性估计。此外，我们进一步演示了如何利用不确定性估计来检测城市交通动态变化中的无监督异常点。通过对莫斯科市的代表性案例研究，我们发现我们的方法能够捕捉到交通行为的时间和空间效应。我们的工作是在交通预测任务中推动不确定性意识的进一步发展，并旨在突出不确定性量化方法对于更好理解城市交通动态的价值贡献。

Aug, 2023

这篇论文介绍了机器学习在无线通信领域的应用，并提出了开发带有概率建模的 ML 系统来解决 ML 模型推理可靠性和不确定性的问题。作者使用 WiFi 信道状态信息进行了真实案例演示来证明该方法的正确性，并指出这种方法可以用于无线感知应用中，不仅仅是 WiFi 感知，还包括毫米波雷达等其他应用。

Oct, 2022

通过建立一个不确定性感知框架，本研究提出了一种能够推广预测至无历史记录的缺失位置、显著扩展预测位置的空间覆盖程度以及减少传感器部署数量的方法，并生成包含不确定性量化的概率预测，以助于风险管理和决策制定。通过对真实数据集的广泛实验，结果表明我们的方法在预测任务上取得了有希望的结果，并且不确定性量化结果与有和无历史数据的位置高度相关。我们还展示了我们的模型能够在交通领域的传感器部署任务中，以有限的传感器部署预算实现更高的准确性。

Sep, 2023

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

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

本文对神经网络不确定性估计进行了全面的概述和介绍，包括模型不确定性和数据不确定性，并介绍了通过确定性神经网络、贝叶斯神经网络、神经网络集合和测试时间数据增强方法来建模这些不确定性的方法。此外，还讨论了不确定性方面的实际应用中存在的挑战和限制，以及未来工作的展望。

Jul, 2021

该研究提出了一种基于贝叶斯循环神经网络和谱归一化的交通预测模型框架，能够提供不确定性估计和更好地适应不同数据集的环境，从而在交通数据预测任务中提高了准确性。

Jul, 2023

提出了一种基于不确定性感知的交通预测框架，通过结合交通流理论和图神经网络的模型设计，在单次模型训练中能够量化不同来源的不确定性，并利用预测集的估计不确定性来筛选出足够包含信息内容的数据集。实证研究结果表明，从 2018 年到 2021 年，白天超过 80% 的交通数据可以被删除，而剩余 20% 的样本对于训练模型具有相同的预测能力，从而证明了该方法在评估大型交通数据集的实际信息内容方面的价值。

Oct, 2023

研究了使用贝叶斯神经网络中的可学习不确定性来训练预测过程监控模型，以预测剩余时间和结果，并得出结论认为这种不确定性估计可以区分更精确和不太精确的预测，从而提高了用户对于这种预测系统的信心，在合作和以较小的数据集进行更早的实施方面具有潜在的可应用性。

Jun, 2022