本文提出一种新的基于不确定性估计的框架用于医学图像分割任务，以突出难以分类的像素，并提高深度神经网络的泛化能力。实验结果表明，该方法优于现有技术。
May, 2023
在 AutoML 环境下，比较评估了 9 种最先进的方法和变体在置信区间（CI）估计方面的表现，以包含百分比、CI 的紧致性和执行时间为指标，结果支持 BBC-F 和 BBC 在所有度量指标上优于其他方法。
Jun, 2024
本文提出五种实用的差分隐私算法用于计算正态分布数据的总体均值的置信区间，并将其与以前的工作进行比较，实验结果表明本文算法提供比以前的工作更准确的置信区间。
Jan, 2020
深度学习模型在各个领域显著提高了预测准确性，并在许多学科中得到认可。然而，有一个深度学习方面仍未充分解决的问题是预测不确定性的评估。本研究提供了一种有效的非参数自助法，能够正确区分数据不确定性和所采用的优化算法中固有的噪音，确保生成的逐点置信区间或同时置信带是准确的（即有效且不过于保守）。该提议的方法可以轻松整合到任何深度神经网络中，而无需干扰训练过程。该方法的实用性通过为具有右删失的生存数据的深度神经网络构建同时置信带来进行了说明。
本文提出了一种泛用方法来获得无需提议的实例分割模型内在的不确定性估计，并且评估了在 BBBC010 C. elegans 数据集上的可行性和有效性，并模拟了这些不确定性估计在指导的校对中的潜在用途。
Aug, 2020
我们提出了一种测量语义分割模型对各个类别的置信度校准质量的度量标准，并使用该标准评估不平衡类别的不确定性估计方法的置信度校准情况。此外，我们还建议该方法可以自动发现标签问题，改善手工或自动注释数据集的质量。
Aug, 2023
该文提出了一个新颖的算法，用于构建自然参数的置信区间和 p 值，并使用高维线性回归问题和一个高通量基因组数据集进行测试。
Jun, 2013
本文研究了医学图像分割中全卷积神经网络的预测不确定性估计，包括使用 Dice 损失和交叉熵损失进行的分割质量和不确定性估计比较，基于批归一化和 Dice 损失的网络置信度校准及模型集成方法，以及有关医学图像分割的结构分割质量预测和检测等方面的研究。通过广泛的实验验证了这些内容，提出了用于置信度校准的实用方案，并表明模型集成可提高其置信度校准度。
Nov, 2019
使用置信度轮廓作为分割图像的表示方法，通过开发一种新的注释系统，能够捕捉到专家不确定性，研究结果表明，该方法在代表能力和解释性方面具有较好的表现。
使用置信区间寻找估计注释错误率所需的最小样本量，然后提出应用接受抽样作为错误率估计的一种替代方法，展示接受抽样可以减少最多 50% 的所需样本量，同时提供相同的统计保证。
May, 2024