本文探讨了运用深度神经网络构建模拟器代理模型的方法，以解决原模拟器参数过多导致的维数灾难，研究对象为随机椭圆偏微分方程中涉及的扩散系数。
Feb, 2018
本文研究比较了在一个物理系统的背景下，深度学习算法的不确定性量化方法，包括贝叶斯神经网络，Concrete Dropout和Deep Ensembles，并探讨了它们的优缺点，结果为使用和解释不确定性量化方法提出了一些建议。
Apr, 2020
本研究回顾了当前深度学习中不确定性量化（UQ）方法的最新进展，其应用于计算机视觉，医学图像分析，自然语言处理等领域，并调查了这些方法在强化学习中的应用。接着，我们概述了UQ方法的几个重要应用，并简要概述了UQ方法面临的基本研究挑战，讨论了未来在此领域的研究方向。
Nov, 2020
介绍一种无需分布假设或模型假设，可用于任何预训练模型（如神经网络）生成100%正确性置信区间（信赖区间）的方法， 称之为一致预测；并提供了Python示例代码和Jupyter笔记本来说明此方法在计算机视觉、自然语言处理和深度强化学习等领域上的应用。
Jul, 2021
本文调查了最近的深度学习方面的不确定性量化的研究，特别关注了具有数学特性和广泛适用性的无分布符合预测方法，介绍了相关技术和在时空数据背景下提高校准和效率的方法，并讨论了不确定性量化在安全决策方面的作用。
Sep, 2022
本文探讨了在深度神经网络中表示模型不确定性的Conformal Prediction框架，提出了一种新的基于概率方法的模型不确定性量化方法，并提供了可靠的边界用于计算不确定度。
Jun, 2023
使用一种名为 PNC 预测器的方法，仅使用一个辅助神经网络，并结合适当的低计算重采样方法，以最低限度的开销建立了几种方法，利用仅四个训练网络就能构建渐近精确覆盖置信区间。
本研究探讨了基于深度学习的数值方案用于解决高维反向随机微分方程（BSDE）的可靠性，并提出了一种有效估计近似解的标准差和均值的新的不确定性量化（UQ）模型，证明其在估计不确定性和性能比较方面的有效性。
Oct, 2023
采用符合预测方法的分布自由不确定性量化框架，获得具有覆盖保证的深度操作网络回归的置信度预测区间，并通过将符合预测与Prob-DeepONet和B-DeepONet相结合，有效地量化不确定性，生成严谨的深度操作网络预测的置信度区间，同时设计一种新颖的Quantile-DeepONet，允许更自然地使用符合预测，被称为符合预测的Quantile-DeepONet回归的无分布有效不确定性量化框架，并通过各种常规、偏微分方程数值示例和多保真度学习证明所提出方法的有效性。
Feb, 2024
提供了深度学习的完整且具有统计一致性的不确定性量化，包括源自（1）新的输入数据，（2）训练和测试数据，（3）神经网络的权重向量和（4）神经网络本身的不确定性。
May, 2024