介绍了一种修改分类器以输出包含真实标签的预测集的算法，该算法可定量衡量分类器的不确定性，是一种简单且快速的方法，并且与现有技术相比，在保证覆盖率的同时可以实现更小的预测集。

Sep, 2020

介绍了一种基于本地模型性能的条件密度估计模型的本地conformal方法MD-split ，可用于复杂的现实世界数据设置，用于确定X分区，并与其他本地conformal方法进行比较。

Jul, 2021

该研究提出一种基于 MoSE 模型的分割不确定性计算方法，利用多个专家网络对图像进行不确定性判别，同时提出一种新颖的 Wasserstein-like 损失函数，可对模型进行有效训练和优化。研究表明，在 LIDC-IDRI 数据集和多模态 Cityscapes 数据集上，该方法表现出优越的性能。

Dec, 2022

在安全关键的分类任务中，我们提出了一种适用于含有模糊标签的情况的conformal prediction框架，在approximated的标签的基础上通过近似输入的后验分布来进行不确定性的校准。我们在合成和真实数据集上验证了我们的方法，并在皮肤病学中患者条件分类的案例研究中进行了实证。

Jul, 2023

使用置信度轮廓作为分割图像的表示方法，通过开发一种新的注释系统，能够捕捉到专家不确定性，研究结果表明，该方法在代表能力和解释性方面具有较好的表现。

Aug, 2023

在高风险领域中部署深度神经网络时，由于缺乏可解释性，不确定性量化变得具有挑战性。本文通过大规模预注册实验，比较了使用符合性预测集合与Top-1和Top-k预测展示相比在AI辅助图像标注中表现的优势，并发现对易任务来说，预测集合与Top-1和Top-k展示的准确性相当或略少，但在标记超出分布范围的图像时，特别是当集合大小较小时，预测集合能够卓越地帮助人类进行标注。研究结果从实证角度指出符合性预测集合的实际挑战，并提供了将其纳入实际决策制定的启示。

Jan, 2024

计算机视觉领域中，语义分割是机器学习中的一个基础应用，其中图像的每个像素被分类为不同的语义类别，并通过不确定性量化来评估每个分割预测的可靠性。本研究针对基于熵的图像分割任务中的不确定性进行专门评估的度量标准PAvPU (Patch Accuracy versus Patch Uncertainty)存在的三个核心问题进行了调查，并提出了旨在改进该度量标准的强大解决方案。通过解决这些问题，我们旨在提高不确定性量化的可靠性和适用性，尤其在需要高水平安全性和准确性的场景中，为关键应用中的语义分割方法的进步做出贡献。

Mar, 2024

这篇论文介绍了一种用于预测不确定性量化的基准测试方法，通过评估不同方法在三个流行数据集上对于识别被错分和不适当类别像素、以及校准的有效性，发现证据深度学习方法在高效量化不确定性方面表现最有潜力，提出了适用于高度不平衡数据的Uncertainty-Focal-Cross-Entropy (UFCE)损失函数，以及增强模型对高不确定性像素关注的缺空缩放规则项能够提高确定性不确定性量化。

May, 2024

利用证据一致性预测方法（ECP）为图像分类器生成一致性预测集，通过基于非一致性评分函数，利用目标标签的对数几率值推导出的证据计算非一致性评分函数的组成部分：一致性预测中的不确定性启发式概念、不确定性惊喜度和期望效用，实验评估结果证明，ECP在生成一致性预测集方面优于三种先进方法，同时保持了对真实标签的覆盖。

Jun, 2024

本研究针对生物医学图像分割中的空间不确定性问题，提出了一种新的符合性置信集方法，能够为黑盒机器学习模型的输出提供置信保证。研究结果表明，学习适当的得分变换对优化模型性能至关重要，实验验证了该方法在肠息肉肿瘤数据集上的有效性，能够实现肿瘤位置的精确界定并控制错误覆盖率。

Oct, 2024