本文提出了一个基于心理测量理论的评估框架 Camilla，在多项技能上协作地度量每个机器学习算法的多方面的能力，并在公共数据集上证明了其比现有方法更具有可靠性、排名一致性和稳定性。

Jul, 2023

本文探讨人类与机器人的协作中，心理模型对信任与决策的影响，并通过一项在线测试发现，人们对机器人的能力和意图的估计与总体自我报告信任强相关。但要做出正确的决策，人们需要（并使用）多面向的心理模型，而不是仅仅校准总体信任水平。

Sep, 2019

该论文研究通过拟合贝叶斯假设模拟人类感知能力，以识别基于视图的 3D 物体，并实现了感知计算。

Nov, 2022

人工神经网络和贝叶斯推断是互补的建模方法，可用于理解涵盖不同层次的人类认知和训练在专有数据上的大型不透明人工神经网络的行为。

Nov, 2023

通过建立合适的性能度量标准的基准，我们评估了一些最新的利用神经网络和经典近似贝叶斯计算方法的方法，发现性能度量的选择关键，即使是最先进的算法也有很大的改进空间，顺序估计提高了样本效率，神经网络方法通常表现更好，但没有均匀的最佳算法。

Jan, 2021

介绍了一种称为贝叶斯深度学习的统一框架，将深度学习和贝叶斯模型紧密融合，以提高高层次推理的性能并增强深度学习的感知能力。讨论了它在推荐系统、主题模型和控制等领域的应用，以及与贝叶斯神经网络的关系和区别。

Aug, 2016

该论文介绍了一种基于模型的方法，利用概率推理和深度生成模型的方法，解决在空间环境中的定位、绘图、导航或自主探索等问题，并能够灵活地从数据中学习。该方法在两个不同的模拟环境中表现出了与专业最新方法相当的性能。

May, 2018

该研究针对数学领域中的推理、学习、应用规则等独特挑战，提出了一个数学问题套件的任务，用于测试和评估神经架构等系统的性能、能力和失效模式。通过生成数据并运用序列到序列的最强模型，可以从不同角度评估模型在数学问题解决和知识推广方面的能力。

Apr, 2019

使用机器学习和深度学习技术，从路上的驾驶行为数据中估计驾驶员的心理特征，建立具有自适应能力的驾驶辅助系统，研究结果表明，我们的模型能够以高准确度预测心理驾驶风格和负荷敏感度等特征，而不同持续时间的分割对准确性的影响因特征而异。

Feb, 2023

本研究提出了使用测量模型对候选的大脑计算模型进行补充并建立生成模型。通过使用表示不相似矩阵作为总结统计数据，可在众多的大脑计算模型中执行贝叶斯推断。

Aug, 2016