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

提出了一个不确定性学习机制来同时估计内部数据质量和量化外部不确定性，以提供空间时间预测的高质量不确定性量化，并通过设计一个基于门控的桥梁来重新校准和提高预测性能，从而解决不确定性标签的缺乏这一问题。

Feb, 2021

本文主要介绍了一种名为Uncertainty Toolbox的开源Python 工具库，该库旨在协助评估、可视化和改进在机器学习中的不确定性计量（UQ）。 Uncertainty Toolbox不仅提供教学资源，例如重点词汇表和重要论文引用的组织集合，也有助于加速和整合应用在机器学习中的不确定性计量研究。

Sep, 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

对深度学习的UQ方法进行了质量评估，比较了不同模型的不确定性估计质量。

Aug, 2023

深度学习模型对交通预测的强大预测性能使其得到广泛应用，但缺乏可解释性限制了其在实际智能交通系统中的部署。通过使用不确定性量化方法，我们调查了这些方法在跨多个城市和时间段的大规模基于图像的交通数据集上的应用，以获得对现有不确定性方法在交通预测中的实用性以及不确定性与城市交通动态之间的关系的全面认识。在在时间和时空转移任务上比较了两种认知不确定性方法和两种他稳不确定性方法后，我们发现可以恢复有意义的不确定性估计。此外，我们进一步演示了如何利用不确定性估计来检测城市交通动态变化中的无监督异常点。通过对莫斯科市的代表性案例研究，我们发现我们的方法能够捕捉到交通行为的时间和空间效应。我们的工作是在交通预测任务中推动不确定性意识的进一步发展，并旨在突出不确定性量化方法对于更好理解城市交通动态的价值贡献。

Aug, 2023

使用GPS、遥感和计算模拟等技术，收集大量来自地球科学、农业、智能城市和公共安全等领域的时空数据，结合深度学习技术，开创解决以往无法解决的问题的新机遇并提出未来的研究需求。

Oct, 2023

神经偏微分方程（Neural PDEs）被证明能够有效重构流系统并预测相关的未知参数。然而，基于贝叶斯方法的神经偏微分方程显示出更高的预测确定性，相较于使用Deep Ensembles方法得到的结果，可能低估了真实潜在的不确定性。

Nov, 2023

本研究针对时空深度学习中常忽视的预测不确定性问题，提出了一种新颖的后处理稀疏性意识不确定性校准框架（SAUC）。通过将最新的确定性时空图神经网络转变为概率模型，并通过分位数方法校准零值和非零值，SAUC在处理稀疏数据的方差拟合上表现卓越，尤其在交通事故和城市犯罪预测中，实现了20%的校准错误下降，展示了其理论和实证价值。

Sep, 2024

本研究解决了在深度神经网络 (DNN) 中未充分利用不确定性量化 (UQ) 的问题，提供了一个全面的工具箱，使用户能够轻松地将UQ集成到其建模流程中。我们提出的“Lightning UQ Box”统一接口允许对多种UQ方法进行应用和评估，实验证明其在风速估计和太阳能发电量预测等复杂任务中的有效性，具有广泛的适用潜力。

Oct, 2024