通过在类概率上使用狄利克雷分布对主观逻辑进行建模并使用确定性神经网络从数据学习收集导致预测的证据的功能，我们提出一种与贝叶斯神经网络正交的方法，该方法可以直接推断出预测的不确定性。我们的方法在检测超出分布的查询和对抗性扰动方面取得了空前的成功。

Jun, 2018

本文针对文本分类任务中的 OOD 检测问题，提出了基于证据不确定性的方法，该方法通过引入辅助的离群样本和伪样本来训练模型，并明确建模了类别概率的不确定性。实验证明，该方法能够轻松部署于传统 RNN 和 Fine-tuned 预训练 transformers，并在 OOD 检测上优于其他方法。

Jul, 2021

提出了一种利用不确定性估计的人工智能模型训练方法，结合多视图预测和优化算法，实现了准确的预测和标签不确定性估计。

Apr, 2024

本研究提出了一种基于深度学习的通用不确定性感知多模态融合模型，该模型采用多管道宽松耦合架构将点云和图像特征进行组合，并将不确定性嵌入在边界框生成中，以生成可靠的输出，在 KITTI 2D 物体检测数据集和其衍生的 “脏数据” 中得到了验证。

Apr, 2023

本文提出了一种制作模糊图像数据集的方法，并使用此数据集评估现有视觉事件分类模型。实验结果表明，现有的视觉模型无法针对模糊图像提供有意义的输出，因此需要更多类似模糊图像数据集的创造和模型的研究。

Oct, 2022

本文提出了一种不确定性感知的 few-shot 图像分类框架，通过模拟查询和支持样本之间相似度不确定性，提高了模型对有限样本的优化能力，并在基准模型的基础上显著提升了模型性能。

Oct, 2020

不确定性量化旨在确定机器学习模型的预测何时可能错误。计算机视觉研究探索了确定认知不确定性（也称为模型不确定性）的方法，这应该和泛化误差相对应。这些方法在理论上允许根据个体间可变性来预测错误分类。我们应用了各种不确定性量化方法来预测运动想象脑机接口的错误分类。深度集成表现最佳，除了分类性能外，它还在跨个体不确定性量化性能上表现出色。然而，我们发现标准的 CNN 与 Softmax 输出要好于一些更高级的方法。

Mar, 2024

构建强健、公正、安全的人工智能系统时，当面临难以判断或超出训练类别范围的测试样本时，我们希望我们的分类器能够说 “我不知道”。然而，传统的 “拒绝或分类” 策略不允许不同来源的不确定性进行交互，产生不准确的预测，并且无法纠正我们对不确定性估计的错误。为了解决这三个问题，本研究介绍了 “统一不确定性校准（U2C）”，这是一个综合框架，结合了精确性和认知性不确定性，并在各种 ImageNet 基准测试中表现优于 “拒绝或分类” 策略。

Oct, 2023

利用贝叶斯不确定性估计解决类别不平衡学习的问题，并且成功改进了面部验证、属性预测、数字 / 物体识别、皮肤病检测等六个基准数据集上的分类性能。

Jan, 2019

本研究介绍了一种轻量级的不确定性估计器，通过将符合预测与深度学习回归器相结合，能够预测多模态（不相交）的不确定性界限。我们特别讨论了它在视觉里程计中的应用，该应用中环境特征，如飞行领域的对称性和模糊和遮挡下的传感器测量，可能导致多模态不确定性。我们的模拟结果显示，在我们的框架中，不确定性估计根据具有挑战性的操作条件自适应地调整每个样本，例如明显的噪声、有限的训练数据和有限的预测模型参数大小。我们还开发了一种推理框架，利用这些稳健的不确定性估计并结合基于光流的推理来提高预测准确性。因此，通过恰当地考虑数据驱动学习的预测不确定性，并通过基于规则的推理关闭其估计循环，我们的方法在所有这些具有挑战性的场景中始终优于传统的深度学习方法，通过减少预测误差 2-3 倍。

Sep, 2023