该研究提出一种新的方法，使用 Ito 随机微分方程（SDEs）对左室体积预测进行后期不确定性估计，以提高自动分割的鲁棒性和可靠性，为临床设置中更可靠准确的左室体积估计打开新的方向。

Oct, 2023

本文提出了一种新的半监督回归方法，即不确定性一致变分模型集成（UCVME），通过生成高质量的伪标签和不确定性估计来改善训练，并且引入一种新的变分模型集成方法来减少预测噪声和生成更稳健的伪标签。实验结果表明，我们的方法在不同任务上优于现有的替代方法，并且可以与使用完全标签的监督方法竞争。

Feb, 2023

本文提出采用树集成的核解释作为高斯过程先验以获得模型方差估计，并开发了与采集函数兼容的优化公式来同时解决使用树集成进行黑盒优化的两个主要挑战，从而在连续 / 离散特征以及混合特征的空间中，优于竞争方法。

Jul, 2022

本文旨在改善不确定性包装器框架的决策树过于严格的聚类方法，以降低不确定性估计的硬性决策边界，最终通过与 Brier 得分的实验结果以及数据驱动 AI 模型的不确定性等关键词，研究了五种减轻硬性边界的方法，其中以随机森林为最有前景的方法。

Jan, 2022

该研究使用基于树的集成方法，如随机森林、梯度提升树和贝叶斯增加回归树，在许多应用和研究中成功地用于回归问题。本文研究了概率回归树的集成版本，通过将每个观测分配到相对应的概率分布区域，为目标函数提供平滑逼近。我们证明了所考虑的概率回归树的集成版本是一致的，并在实验中研究了它们的偏差 - 方差折衷，并与最先进的性能预测方法进行比较。

Jun, 2024

为了实现工业设计的虚拟认证，本文阐述了一种以物理约束为基础来解决湍流模型认识不确定性的方法，通过数据驱动的机器学习策略来消除用户输入，并关注在数据不足时开发先验估计的预测置信度。

Jun, 2023

本论文研究基于概率集成框架实现自回归结构化预测任务中的不确定性估计，并提供了 WMT'14 英语 - 法语、WMT'17 英语 - 德语翻译和 LibriSpeech 语音识别数据集上的基准测试结果。

Feb, 2020

通过特征装饰、傅里叶分区和集成技术来提高电生理图分类精度和不确定度的估计，提高了人工智能模型的鲁棒性和可靠性。

Jul, 2022

本文论述了深度学习在自主驾驶和机器人中导航和状态估计中的应用，为了在黑盒模型和卡尔曼和其他贝叶斯滤波器中更加稳妥可靠地使用深度学习，需要准确地量化多变量不确定性，提出并实验了通过神经网络建模多元不确定性的方法，并证明精确的多变量不确定性量化对于卡尔曼滤波器性能在领域内和领域外评估数据中的巨大影响，同时指出端到端滤波器训练可以允许不确定性预测来补偿滤波器的不足。

Oct, 2019

计算成像在确定稀疏测量中的隐藏信息方面起着重要的作用。我们提出了一种深度变分框架，利用深度生成模型来学习近似后验分布，以有效量化图像重建的不确定性，无需训练数据。我们通过使用基于流的模型参数化目标后验并最小化它们的 KL 散度来实现准确的不确定性估计。我们还引入了具有双向正则化的强大流模型，以增强稳定性，并通过梯度增强来增强表达能力。此外，我们还通过填充设计方法在潜在先验空间和目标后验空间实现了显著的方差减少。我们在几个基准任务和两个真实世界应用（即快速 MRI 和黑洞图像重建）上验证了我们的方法。我们的结果表明，我们的方法能够提供可靠且高质量的图像重建以及强大的不确定性估计。

Nov, 2023