通过改进 Interval Type-2 Fuzzy Logic Systems (FLSs) 来提高高风险场景下的预测区间 (Prediction Intervals) 生成，包括增加 Karnik-Mendel (KM) 和 Nie-Tan (NT) 方法的灵活性、通过参数化技巧解决大规模学习挑战、对抗维度灾难问题，以及引入高维 Takagi-Sugeno-Kang 方法来增强不确定性量化和提高学习性能。

Apr, 2024

本文提出了一种嵌入到深度学习领域的计算高效的模糊逻辑系统（FLS）学习方法，通过提供计算高效的 FLS 实现，最小化训练时间并利用深度学习框架中提供的小批量优化器和自动微分机制，解决了 FLS 学习的挑战，并在基准数据集上展示了深度学习框架在 FLS 中的高效性。

Apr, 2024

本论文通过采用 Zadeh 的 GT2 Fuzzy Set 定义，旨在学习能够在高精确度下可靠地实现高品质预测区间的 General Type-2 Fuzzy Logic Systems，并通过整合 Z-GT2-FS 与 α-plane 表示法来增加 GT2-FLS 的设计灵活性，提供了学习高维数据的解决方案，并发展了一个具有高性能的学习双重关注的 Z-GT2-FLS 深度学习框架，并通过统计分析表明，与具有更多可学习参数的 GT2 和 IT2 模糊对应物相比，Z-GT2-FLS 不仅表现出高精确性能，还产生了高品质预测区间，显示出巨大的不确定性量化潜力。

Apr, 2024

通过引入模糊学中的模糊成员值和非成员值来评分高维特征空间中的训练样本，我们提出了一种模糊 BLS（F-BLS）模型和基于直觉模糊理论的 BLS（IF-BLS）模型，这两种模型在噪声和离群点方面表现出优秀的泛化性能，并在实际应用中证明其有效性。

Jul, 2023

本文介绍了一种名为 Interval Real Logic（IRL）的两重逻辑，该逻辑使用具有实际特征数据序列来解释知识，我们使用模糊逻辑解释连接词，使用梯形模糊间隔解释事件持续时间，使用间隔面积之间的关系解释模糊时间关系，同时介绍了 Interval Logic Tensor Networks（ILTN）—— 一种通过 IRL 的梯度传播来进行学习的神经符号系统。

Mar, 2023

本文介绍了一种组合 DNN、XGBoost 和差异性计算技术的集成方法，用于估计预测的不确定性、提高准确性并提供预期变化的区间，其计算简单，适用于小数据集且性能提升显著，且模型的预测区间可平均包括实际值的 71％和 78％。

Oct, 2022

提出了一种基于统计方法的神经网络预测间隔构造方法，旨在解决其他相关研究的局限性，提供更为准确的预测区间并保证预测精度，该方法易于实施且适用于大多数深度神经网络。

May, 2019

我们的工作继续探讨了区间值模糊软集的特性，该特性是通过组合区间值模糊集和软集得到的。我们引入了区间值模糊软集的能量概念，以及悲观和乐观能量，从而构建了一个有效的决策算法。通过例子，本文展示了该算法如何成功应用于涉及不确定性的问题。此外，我们将引入的方法与其他处理类似或相关问题的方法进行了比较。

May, 2024

该论文介绍了一种利用似然比方法构建神经网络置信区间的初步实现，提出了 DeepLR 方法，该方法具有限定数据区域扩展的不对称区间以及考虑训练时间、网络结构和正则化技术等因素的优势。尽管当前实现方式在许多深度学习应用中代价过高，但在医学预测或天体物理学等领域，对单个预测的可靠不确定性估计已经具有明确的价值。这项工作突显了基于似然比的不确定性估计的潜力，并为未来的研究打下了良好基础。

Aug, 2023

该论文采用一种名为 Conformal Prediction (CP) 的新型机器学习框架，基于独立同分布的数据，提出了一种扩展传统回归神经网络的方法，将点预测转化为满足所需置信水平的预测区间。作者在四个基准数据集和预测电离层连接中的重要参数之一 —— 总电子含量 (TEC) 的预测问题上进行了实证评估，结果表明该方法产生的预测区间在实践中既具有良好的校准性又足够紧凑。

Dec, 2023