提出一种基于高斯过程层和焦点损失的有效不确定度校准框架 GPF-BERT，用于 BERT-based 会话搜索，并在三个 in-domain 数据集和分布式转移任务上验证了其有效性。比基本的校准方法具有更低的经验校准误差（ECE），在大多数情况下具有更高的 $R_{10}@1$ 和 MAP 表现，并且具有 8 倍的加速。

Mar, 2023

以贝叶斯框架为基础的检索模型不仅能够提高排名的准确性，还能提供可靠的不确定性信息来预测截断点并提高下游任务的效果。

May, 2021

通过最小化测试期望标定误差来从各种任务的数据中元学习如何校准不确定性，并在未知任务中使用这些知识，以改善回归不确定性估计性能。通过将高斯过程和高斯混合模型集成到神经网络模型中，我们可以以端到端的方式元学习模型参数，从而在几次训练的情况下提高不确定性估计性能并保持高回归性能。

Dec, 2023

通过分析神经网络排序器的不确定性和标定性，本文提出了一种新的基于主义预测分布的随机排名器来解决常见的对话响应排序领域中的风险问题。其中，BERT-based rankers 的标定性不稳定，而 uncertainty estimation 模型则对风险感知神经排序和预测无法回答的对话背景具有益处。

Jan, 2021

通过提出基于误差对齐的不确定性优化方法和引入可训练的损失函数来估算深度神经网络的不确定性，以取得与模型误差相关性强的不确定性预测。该方法适用于连续结构化预测和回归任务，并在包括大规模车辆运动预测任务的多个数据集上进行评估，通过 Pearson 相关系数表明我们的方法提高了平均位移误差和不确定性与模型误差之间的相关性。

Dec, 2022

使用深度高斯过程逼近（DGPA）方法，我们对萨帕腾中子源（SNS）加速器的错误光束预测（分类）进行了研究，并为费米国家加速器实验室（FNAL）助推器加速器复合物（回归）提供了一个具有不确定性感知的代理模型。

Sep, 2023

本研究探讨预测模型在医疗健康领域中的应用，特别是自监督模式下标记数据的超拟合问题，发现高斯过程能够以较高的预测准确性评估指标和平均最大预测置信水平，对 3 种不确定性标签进行风险评估并保持强大的预测力。

May, 2022

我们研究了深度学习方法在文本摘要中存在的局限性，提出使用概率深度学习方法来提高模型生成与不确定性质量， 并在实践中采用适当的方法来避免摘要生成的低质量问题。

Apr, 2023

本文提出了一种基于概率贝叶斯方法的神经网络预测置信度校准方案，最大化置信度期望效用，用最大置信度校准误差度量预测的置信度和错误之间的关系，并在 COVID-19 诊断中测试取得了显著的效果。

Jun, 2022

优化深度神经网络中的不确定性估计是安全关键应用中的一个重要问题。本文提出了利用准确度与不确定性之间的关系进行优化的方法，通过可微的 loss 函数来实现模型的不确定性校准，结果显示比现有的方法在大规模图像分类任务中表现的更好

Dec, 2020