该研究提出了 “不确定性感知的专家混合”（uMoE）方法，该方法通过将不确定性直接集成到训练过程中来解决基于神经网络的预测模型中的 aleatoric 不确定性问题。结果表明，uMoE 在处理数据不确定性方面显著优于基线方法，并展示了其适应不同不确定性水平并提供最佳阈值参数的能力。该创新方法可在包括生物医学信号处理、自动驾驶和生产质量控制在内的各种数据驱动领域广泛应用。

Dec, 2023

本文提出随机分割网络（SSNs），是一种机率方法，针对任何图像分割网络架构实现建模不确定性。SSNs 通过对数 it 空间中的低秩多元正态分布对标签地图的概率进行建模，以生成一个空间一致的概率分布。在医学数据分割中，SSNs 表现出更好的表现.

Jun, 2020

Multi-modal fusion technique incorporating uncertainties through Uncertainty-Encoded Mixture-of-Experts (UMoE) improves object detection performance in extreme weather, adversarial, and blinding attack scenarios for autonomous driving.

Jul, 2023

本文利用多个标注者的变异性作为 “地面真相” 不确定性的来源，将其与概率 U-Net 相结合，并在 LIDC-IDRI 的肺结节 CT 数据集和 MICCAI2012 前列腺 MRI 数据集上进行测试，发现能够以提高预测不确定性的估计，同时提高样本准确度和样本多样性。在实际应用中，该方法可以告诉医生有关分割结果的置信度。

Jul, 2019

该研究提出了一种语义分割网络，能够在单次前向传递中生成高质量的不确定性估计。通过基于掩膜图像建模（MIM）方法，我们利用基础模型和无标签数据的通用表示来解决增强超参数问题，使得方法更简洁。为了解决在安全关键应用中因训练数据中的偏差而导致的错误问题，我们在多个测试领域上对该方法进行了测试，并且在包括城市、乡村和越野驾驶领域的 SAX 分割基准数据集上，该方法始终优于不确定性估计和超出分布技术。

Feb, 2024

本文探究机器学习模型预测不确定性模拟的一种技术 Monte-Carlo Dropout 的聚类方法，并使用贝叶斯高斯混合模型来解决效率问题。同时研究了不同的 dropout rate，focal loss 和标度等技术，并将它们整合到 Mask-RCNN 模型中，以获得每个实例最准确的不确定性估计并进行图形展示。

May, 2023

通过利用全局信息来估计分割不确定性的一种新方法，该方法首先学习了一个解剖感知的表示，然后将新分割的预测映射为一个解剖上可信的分割，借助于与可信分割的偏差，估计底层像素级不确定性以进一步指导分割网络，该方法仅使用一次推断从我们的表示中估计不确定性，从而减少了总计算量。该解剖感知方法在心脏磁共振成像的左心房和腹部 CT 扫描的多个器官这两个公开数据集上改善了分割准确性，以两个常用的评估指标衡量。

Oct, 2023

基于未标记数据的 Gamma-SSL 方法通过选择性强制一致性来进行不确定性估计，用于在自动驾驶环境中检测语义分割模型的错误。在具有挑战性的分类基准上，该方法在 ROC 曲线下面积和 PR 曲线下面积方面的表现超过了不确定性估计和离群分布技术。

Feb, 2024

该文章使用弱监督的方式实现了遮挡性实例分割任务，提出了一种新的基于边界不确定性估计的无模态实例分割方法 ASBU，并在 COCOA 和 KINS 数据集上取得了显著的性能提升。

Aug, 2021

该研究提出了一种适用于回归问题的新型混合专家方法，利用个体专家的预测不确定性作为融合的依据，实现对不平衡数据的有效学习。实验结果表明，该方法优于现有备选方案，同时产生更好的不确定性估计。

May, 2023