本研究介绍了一种用于分类任务的全新可信区间神经网络（CreINNs），通过确定性区间捕获权重不确定性，同时使用概率区间的数学框架预测区间集合；对 CIFAR10 与 SVHN 的异分布检测基准进行的实验证实表明，与变分贝叶斯神经网络（BNNs）和深度集成（DEs）相比，CreINNs 在对认知不确定性估计方面表现优越，并且 CreINNs 的计算复杂度大幅降低，模型尺寸较 DEs 更小。

Jan, 2024

使用与所提目的相应的相合预测的方法，成功地用置信集对分类任务进行预测。

Feb, 2024

本研究旨在探索深度学习模型的不确定性量化方法，并考虑基于贝叶斯推理的模型在 OoD 检测中的表现，结果显示在某些情况下，这种模型略高于传统的深度神经网络，对于对新输入的敏感性的原因进行研究，并对对抗噪声鲁棒性的影响进行了研究。

Sep, 2020

本研究比较了单一神经网络、深度集合和三种高效神经网络集合的性能，结果表明批量集合是一种性价比高且与深度集合相比在不确定性和准确性方面表现更好的替代方案。

Mar, 2024

本研究旨在提高神经网络参数化概率形式的精度，以改善预测不确定性和检测分布外输入。通过将 softmax 交叉熵与其他概率形式进行比较，作者发现一对全制配方可以提高图像分类的校准，同时与 softmax 的预测性能相匹配，没有额外的训练或测试时间复杂度。

Jul, 2020

基于预训练网络的提出高斯分布，通过权重参数抽样区分正常数据和超出分布的数据，证明我们的贝叶斯目标检测器在 BDD100k 和 VOC 数据集上的训练，并在 COCO2017 数据集上的评估中通过降低 FPR95 分数最多 8.19％和增加 AUROC 分数最多 13.94％来实现了令人满意的超出分布的辨别性能。

Oct, 2023

该研究论文提出了一种将证据深度学习方法与持续学习框架相结合的方法，能够同时进行增量对象分类和越界检测，在 CIFAR-100 数据集上的实验结果显示，该方法在对象分类和越界检测方面表现出色。

Sep, 2023

该研究以深度神经网络模型为对象，研究了其在处理异常情况（如分布外或扰动数据）时的不确定性。研究通过实验证明，使用预训练模型进行分类对于异常图像表现良好，基于概率平均的集成模型能够进一步提高分类性能，而添加扰动会显著影响模型的鲁棒性，表明了人工智能模型的局限性。

Sep, 2023

这项研究提出了一种新技术，即利用混合一组深度神经网络的预测与标准深度神经网络的预测来量化数据的认识不确定性，从而在多个数据集和架构中实现高水平的预测表现。

Jun, 2020

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