研究神经网络的不确定性问题，提出了一种新的不确定性量化方法，能够区分 aleatoric 和 epistemic uncertainties，实验证明 Ensembles 可以提供整体性最好的解决方案，同时推荐采样 softmax 函数的超参数 N 大于 100。

Apr, 2022

探讨深度神经网络架构与训练机制与其相应的选择性预测和不确定性估计性能的关系，并在 484 个预训练的深度 Imagenet 分类器中进行了全面的选择性预测和不确定性估计性能研究，发现 ViT 架构在不确定性估计性能方面表现最优。

Jun, 2022

本文提出了一种简单的 Monte Carlo Dropout 算法，可以显式地量化神经网络输出的不确定性，利用此种不确定性可以解释模型复杂现象、如情感识别，此外也可以用于辨别主观标记样本和数据偏差的问题。

Sep, 2019

本论文研究了多任务学习对不确定性估计质量的影响，并探索了在联合语义分割和单目深度估计上量化预测不确定性的方法。

May, 2024

本研究通过采用贝叶斯观点，利用深度集成模型来捕捉多种情绪描述符，包括行动单位、离散表情标签和连续描述符，进而应用迭代自蒸馏技术，提出一种用于情绪识别的方法，并针对仅有单一情绪标签可用的情况下，实现情绪不确定性的建模和估计。实验结果表明，与 Temperature Scaling 和 Monte Carol Dropout 相比，我们的算法具有更可靠的不确定性估计。

Jul, 2021

本文考察 523 个现有的深度图像分类器在选择性预测和不确定性估计性能方面的表现，发现蒸馏型训练方案普遍比其他训练方案具有更好的估计不确定性的能力，ViT 模型在不确定性估计方面的表现超过其他模型。

Feb, 2023

基于标签分解的不确定性量化方法，提高成本敏感决策并帮助理解不确定性来源，使用方差等非分类度量定义总体、属概性和认知不确定性，针对分类任务进行实证评估。

Jun, 2024

本论文提出了新方法来研究自然语言处理（NLP）任务中表征模型和数据不确定性的好处，通过在卷积和循环神经网络模型上的实证实验，展示了明确建模不确定性不仅有利于测量输出置信水平，而且对于提升各种 NLP 任务中的模型表现也是有用的。

Nov, 2018

本文提出了一种针对机器翻译 Uncertainty Prediction 的新型强大高效的不确定性预测器，在不同的数据集和应用场景中具有明显的降低计算成本和提高预测准确度的效果。

Apr, 2022

本研究针对神经网络预测的不确定性准确度进行研究，提出了针对不同使用场景下的新度量标准，探讨了模型复杂度与不确定度准确度之间的权衡关系，并通过实验验证了新度量标准的有效性和一些有趣的趋势。

Mar, 2019