可信的机器学习系统不仅应返回准确的预测结果，还应提供可靠的不确定性表示。贝叶斯方法通常用于量化生成论和认知性不确定性，但近年来，备选方法，如证据深度学习方法，已变得流行。这篇论文提出了证据深度学习的新理论洞见，强调了优化二阶损失函数和解释由此得出的认知性不确定度度量的困难。通过一个系统的实验设置，涵盖了分类，回归和计数的多种方法，对二阶损失最小化中的确认性和收敛性问题，以及认知不确定性度量的相对（而不是绝对）性质提供了新的见解。

Feb, 2024

该论文通过混合狄利克雷分布的变分推断来建模一致的目标分布，并通过学习得到的元分布模型提取目标模型中的学到的不确定性。实验证明我们提出的方法在各种基于不确定性的后续任务中具有优越性，并展示了学到的认知不确定性的一致性和不一致性带来的实际影响。

Feb, 2024

该论文提出了一种深度学习可扩展的确定性和不确定性评估框架，并对两种最先进的可扩展方法进行了比较，即集成和 MC-dropout，结果表明集成方法提供更可靠和实用的不确定性估计。

Jun, 2019

在放射治疗剂量预测领域，我们应用了一种名为深度证据学习的不确定性量化框架，通过使用 Open Knowledge-Based Planning Challenge 数据集的医学影像，我们发现该模型可以有效地产生与预测误差相关的不确定性估计，在网络训练完成后仅经过重新构建原始损失函数以实现稳定实现。实验结果表明，深度证据学习相对于 Monte-Carlo Dropout 和 Deep Ensemble 方法，能够更线性地根据不确定性阈值变化的中位误差，与模型误差均匀校准的敏感性。同时，我们发现对于加入高斯噪声的 CT 强度，与表征数据噪声的 aleatoric 不确定性表现出更显著的分布变化。总的来说，我们的研究结果表明深度证据学习是一种有前景的方法，可以为放射治疗剂量预测的深度学习模型提供统计稳健性，我们还展示了如何使用这种模型构建预测的剂量体积直方图的置信区间。

Apr, 2024

研究了深度学习在气候下缩放和预测中的应用，并提出使用深度集合作为一种简单的方法，以提高气候变化预测模型的不确定性量化能力，以解决严重天气事件对社会和经济产生的负面影响。

Apr, 2023

本研究提出了一种替代贝叶斯 NN 的简单实现方法，其能够产生高质量的预测不确定性估计，并在分类和回归数据集上进行了实验以证明这一点。此外，研究还评估了在已知和未知数据分布下的预测不确定性，并证明该方法能够在超出分布的样本上表现出更高的不确定性，同时在 ImageNet 上证明了该方法的可扩展性。

Dec, 2016

本文提出了一种新方法，通过在原始高斯似然函数上放置证据先验，训练神经网络 (NNs) 以估计连续目标及其相关证据，以学习 aleatoric 和 epistemic 不确定性。在多个基准测试中，本方法展示了学习良好校准的不确定度测量，可扩展到复杂的计算机视觉任务，并对对抗性和 OOD 测试样本具有鲁棒性。

Oct, 2019

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

提出了一种基于 Fisher Information-based 的 Evidential Deep Learning 方法，该方法通过测量样本携带的信息量动态地重新加权目标损失项，使网络更专注于不确定类别的表示学习，在多个数据不确定性评估任务中具有更好的性能表现，特别是在更具挑战性的 few-shot 分类环境下。

Mar, 2023

基于方差的方法扩展到分类问题中，量化分类的不确定性，实验结果显示这种方法在主动领域适应中与基于熵的方法的准确性相似，并提供了关于类别间不确定性和相关性的信息。

Nov, 2023