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

利用贝叶斯不确定性估计解决类别不平衡学习的问题，并且成功改进了面部验证、属性预测、数字 / 物体识别、皮肤病检测等六个基准数据集上的分类性能。

Jan, 2019

通过在类概率上使用狄利克雷分布对主观逻辑进行建模并使用确定性神经网络从数据学习收集导致预测的证据的功能，我们提出一种与贝叶斯神经网络正交的方法，该方法可以直接推断出预测的不确定性。我们的方法在检测超出分布的查询和对抗性扰动方面取得了空前的成功。

Jun, 2018

本篇论文提出了一种基于神经网络和新型 dropout - 熵测量方法的模型以及基于特征表示的度量学习方法，可以更精确地预测，提高分类器的预测准确性，尤其在医学诊断等需要确定不确定预测的领域有广泛的应用。

Jul, 2019

本研究介绍了一种轻量级的不确定性估计器，通过将符合预测与深度学习回归器相结合，能够预测多模态（不相交）的不确定性界限。我们特别讨论了它在视觉里程计中的应用，该应用中环境特征，如飞行领域的对称性和模糊和遮挡下的传感器测量，可能导致多模态不确定性。我们的模拟结果显示，在我们的框架中，不确定性估计根据具有挑战性的操作条件自适应地调整每个样本，例如明显的噪声、有限的训练数据和有限的预测模型参数大小。我们还开发了一种推理框架，利用这些稳健的不确定性估计并结合基于光流的推理来提高预测准确性。因此，通过恰当地考虑数据驱动学习的预测不确定性，并通过基于规则的推理关闭其估计循环，我们的方法在所有这些具有挑战性的场景中始终优于传统的深度学习方法，通过减少预测误差 2-3 倍。

Sep, 2023

提出了一种基于贝叶斯元模型的方法，该方法用于增强预训练模型的不确定性量化能力，以实现不同应用场景下的预测性能，例如图像分类中的领域外数据检测、错分检测和可信迁移学习，无需额外的训练数据，从而在多个代表性图像分类基准测试上展示了更好的表现。

Dec, 2022

该研究提出了一种基于条件分布和 delta 分布的参数估计框架，通过最小化基于损失函数的不相似系数来促进两个分布的协同。该方法在两个挑战性问题 - 目标检测和动作检测上获得了良好的效果。

Jun, 2012

本文针对文本分类任务中的 OOD 检测问题，提出了基于证据不确定性的方法，该方法通过引入辅助的离群样本和伪样本来训练模型，并明确建模了类别概率的不确定性。实验证明，该方法能够轻松部署于传统 RNN 和 Fine-tuned 预训练 transformers，并在 OOD 检测上优于其他方法。

Jul, 2021

本篇研究提出了一种神经网络模型，该模型能够同时表达 aleatoric 和 epistemic 不确定性，区分特征空间的决策边界和 “out-of-distribution” 区域。在训练过程中，通过集成变分自编码器和生成对抗网络的方法生成了 “out-of-distribution” 样本。通过在多个数据集上进行实验，表明该方法提供了更好的不确定性估计，并且在识别对抗样本时表现出优异的表现。

Jun, 2020

本研究提出了一种考虑个体单模态预测不确定性的多模态贝叶斯融合框架，采用行为识别作为应用案例，并结合确定性和变分层混合以扩展贝叶斯深度神经网络的深层架构，在 Moments-in-Time 数据集的实验中表现出优于基准方法和 Monte Carlo dropout 方法的可靠置信度，并在 UCF101 和 MiT 数据集上证明了该框架从中提取的预测不确定性能够识别元数据。

Nov, 2018