使用深度高斯过程逼近（DGPA）方法，我们对萨帕腾中子源（SNS）加速器的错误光束预测（分类）进行了研究，并为费米国家加速器实验室（FNAL）助推器加速器复合物（回归）提供了一个具有不确定性感知的代理模型。

Sep, 2023

使用神经网络构建了一种代理模型以降低计算复杂性，并成功预测了用于辐射核能制备中的一些重要特性，如失活热和核素浓度，同时减少了计算成本和风险评估。

Aug, 2023

本研究比较了多种机器学习技术的 UQ 准确性，并对两个模型（船只在波浪中的运动和 Majda-McLaughlin-Tabak 模型）进行了应用。

Jun, 2023

机器学习模型在计量学应用中的可信度需要伴随确定性不确定性的量化，本文解决了经过训练 / 固定的机器学习回归模型中不确定性传播的挑战，提供了在特定输入数据分布和多种机器学习模型下，对模型输出均值和方差的解析表达式，并通过数值实验验证方法，与蒙特卡罗方法在计算效率上进行比较，同时以锂离子电池状态建模为例，展示了方法的应用。

Apr, 2024

本研究通过使用随机森林和深度神经网络来设计一个车辆的横向控制器，并通过预测和控制其信心 / 不确定性来处理它在操作中的不确定性和保证操作安全性，而相对于深度神经网络，基于随机森林的控制器在极少量标记数据的条件下具有更好的泛化能力，并能够在另一个类似的赛道上驾驶，即使在深度神经网络控制器无法驾驶的情况下，同时设置阈值，当控制器不安全时可采取适当的控制措施。

Mar, 2023

使用 MC-Dropout 和 Bootstrapping 方法来提高安全驾驶机器人的模型稳定性，实现在未知数据情况下的碰撞回避。

Oct, 2018

以深度神经网络和高斯过程逼近技术为基础的模型，通过奇异值分解和谱归一化密集层的比较，用于解决粒子加速器中高压转换调制器电容值预测问题，并显著提高了距离保持和准确度。

Jul, 2023

本研究探讨预测模型在医疗健康领域中的应用，特别是自监督模式下标记数据的超拟合问题，发现高斯过程能够以较高的预测准确性评估指标和平均最大预测置信水平，对 3 种不确定性标签进行风险评估并保持强大的预测力。

May, 2022

通过将数据监督引入机器学习预测模型，我们提出了一种实时模型无关的方法，评估机器学习预测的相对可靠性，并通过针对操作数据集与训练数据集之间的差异来计算预测的相对可靠性，用以支持机器学习预测在常规插值任务中的可信度。

Aug, 2023

在本研究中，我们使用三种不同的不确定性量化机制（均值方差估计、证据不确定性和集成）扩展了一个具有不确定性感知能力的 DeepONet 模型，并使用在各种马赫数和高度下通过计算流体力学生成的数据对该模型进行了训练和评估。我们发现，在插值和外插值范围内，集成方法在最小化误差和校准不确定性方面表现优于其他两种不确定性模型。

Oct, 2023