本文提出了一种基于 Posterior Network 的方法，该方法使用 Normalizing Flows 预测任何输入样本的概率预测的闭合后验分布，可以精确地反映入内和外分布数据的不确定性，无需在训练时访问 OOD 数据，实现了最先进的 OOD 检测结果和数据集迁移下的不确定性校准。

Jun, 2020

我们提出了一种用于推断科学模拟器参数的唯一源分布的方法，并尽可能保留更多的不确定性。

Feb, 2024

我们引入了一种概率分布和高效的采样算法来处理神经网络中的权重和偏差参数，通过玩具模型和实际数据集的实验，证明了我们构造的采样网络是普适逼近器，并且采样框架对于输入数据的缩放和旋转是不变的，这意味着许多流行的预处理技术不再需要。

Jun, 2023

本研究提出了一种名为 Collaborating Networks (CN) 的方法，利用两个神经网络来近似回归的累积分布函数及其反函数，实现预测分布的估算，该方法具有高度的一致性、准确性和鲁棒性，在电子健康记录等领域应用具有重要意义。

Feb, 2020

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

该研究提出了一种名为 Prior Networks（PNs）的框架来模型化分类任务中的数据和分布不确定性，并在 MNIST 数据集上实现了对 OOD 样本的识别和误分类的检测，与之前的方法相比，PNs 具有更好的表现。

Feb, 2018

本研究提出了一种替代贝叶斯 NN 的简单实现方法，其能够产生高质量的预测不确定性估计，并在分类和回归数据集上进行了实验以证明这一点。此外，研究还评估了在已知和未知数据分布下的预测不确定性，并证明该方法能够在超出分布的样本上表现出更高的不确定性，同时在 ImageNet 上证明了该方法的可扩展性。

Dec, 2016

通过使用非参数核回归进行采样，我们提出了一种新颖的采样分布，它能够在神经网络训练过程中学习到有效的重要性评分。我们的采样算法在墙钟时间和准确性上优于基准算法。

Nov, 2023

本文提出一种方法，通过跟踪神经网络在优化过程中的权重轨迹从而计算 DNN 的权重分布，进而通过从这些分布中抽样网络来评估 DNN 的认知不确定性。该方法无需更改架构或训练过程，在标准分类和回归基准测试以及分类和语义分割的混淆数据检测上具有竞争性的结果，同时保持较高的计算效率。

Dec, 2019

我们提出了一种基于随机动态系统视角的量化深度神经网络不确定性的新方法，即神经随机微分方程模型 (SDE-Net)，并证明了其存在唯一解的性质，实验证明该模型在不确定性占据重要角色的一系列任务中优于现有的不确定性估计方法。

Aug, 2020