探讨在机器学习中存在恶意数据时的问题，其中的 list-decodable learning 和 semi-verified learning model 框架及稳健学习算法提供强大的解决方案。

Nov, 2016

本文提出了基于条件概率密度 p (x|y) 而非 p (y|x) 的符合性预测集合（conformal prediction sets）来消除分类模型中的傲慢偏差（hubristic bias），该模型在不确定时会输出空集，能很好地应对对抗攻击（adversarial attacks）。在 ImageNet ILSVRC 数据集和 CelebA、IMDB-Wiki 人脸数据集上以高维卷积神经网络为特征进行的实验结果表明它的性能优秀。

May, 2018

本研究旨在探究自然语言模型是否可以自我评估其答案准确性并预测正确答案概率，结果表明较大模型能够准确预测答案概率，训练可提高模型预测 P（IK）的能力，但模型在新任务上仍存在校准困难。

Jul, 2022

本文提出了一种建立在鲁棒性预测推断上的不确定性估计模型，使用 conformal inference 方法建立了准确覆盖测试数据分布的预测集，通过估计数据漂移量建立了鲁棒性，并在多个基准数据集上进行了实验证明了该方法的重要性。

Aug, 2020

以大量分类问题为基础，对现有现代机器学习方法中不同的贝叶斯和非贝叶斯概率量化预测不确定性的方法进行了评估，发现一些基于模型边缘化的方法在广泛的任务领域内表现出令人惊讶的强大效果。

Jun, 2019

本文综述了近期不同领域取得的进展，以解决基于概率模型进行的预测决策可能受到模型错误规定的影响。我们回顾了诊断技术，并提出了决策分析的形式化方法，特别是在模型错误规定的情况下。我们采用贝叶斯方法，以模型空间中模型扰动的稳定性量化模型错误规定下的最优决策，这已被应用于鲁棒控制、宏观经济学和金融数学领域。

Feb, 2014

该研究提出了一种基于分布预测的信息最大化方法，用于比较训练编码器的逆向重建任务，并且可以根据图像检索任务的不确定性估计出可信区间.

Feb, 2023

本研究提出一种新的监督学习目标，预测反事实情况而不是预测现有行动策略下的结果，以支持决策制定，使用我们提出的反事实高斯过程（CGP）来预测在未来行动序列下连续时间轨迹的反事实未来进展，并证明其在风险预测和个体化治疗规划等决策支持任务上的优势。

Mar, 2017

为了让实际应用的人工智能系统更加被广泛认知，模型的可信度至关重要。文章提出了一种新的训练策略，结合熵鼓励损失项和对抗校准损失项，以提高样本在领域世界偏移下的校准性和适应性。文章在不同的数据模式、数据集和网络架构上进行了全面的评估，结果显示该方法明显高于现有的最先进方法，应用于领域漂移下预测方面具有技术上的可信度。

Dec, 2020

该研究探讨了在模型不完备的情况下，通过估计预测不确定性（如起源于先验模型不充分的模型不适配性等因素）的方法，选择性地使用模型，以此提高强化学习算法的学习效果。

Jul, 2020