通过在低维子空间上使用能量模型（EBMs）对后验进行估计和可视化，我们介绍了一种用于在不透明的逆问题中获得可能解的全谱派生物的新方法，该方法在不确定性量化和可视化方面表现出更高的效率和准确性。

Dec, 2023

通过后处理的抽样策略估计数据不确定性，该方法可用于任何前馈确定性网络，能生成多样化的预测分布，并与预测误差有着良好的相关性。

Aug, 2023

本文介绍了一种利用神经估计器进行概率推断的方法，针对具有层次结构的模型，从实际应用的角度出发，利用粒子碰撞数据和强引力透镜观测数据进行案例研究并得出相应的结论。

Jun, 2023

我们提出了使用神经采样器来近似复杂多模态和相关后验分布的隐式分布的方法，并介绍了一种新的采样器架构，允许以百万个潜变量为基础的隐式分布，通过可微的数值逼近解决计算问题。我们的实证分析表明，我们的方法能够恢复大型贝叶斯神经网络中层间的相关性，这对网络的性能非常关键，但是一直以来都非常难实现。通过下游任务的实验，我们证明了我们的表达性后验优于最先进的不确定性量化方法，验证了我们的训练算法的有效性和学习出的隐式逼近的质量。

Oct, 2023

为了在安全关键领域中部署图像恢复模型，本文提出了一种通过神经网络在单次前向传递中预测后验分布的主成分，可靠地传达实例适应不确定性方向，实现与后验采样器相当的不确定性量化，在速度上提升数倍。

Sep, 2023

本文提出了一种通过构建树形结构，实现对复杂模型进行分级分区并揭示其迭代拒绝可能的类标签的过程，以达到在不影响模型准确性的前提下实现模型解释性的方法。

Nov, 2016

文章提出了一种新的方法将深度回归问题由连续问题转化为离散二分类问题来提高深度估计的准确性和鲁棒性，在保证实时性的前提下比先前方法能更好地估计不确定性，显著降低因不确定性导致的估计误差，并提高三维地图重建的精确度和内存效率。

Dec, 2019

该论文介绍了一种基于层级贝叶斯算法的机器学习和统计问题的解决方法，并讨论了这种算法在 RL 等方面的应用。

May, 2018

提出了一种新的生成分层聚类模型 ——Tree Variational Autoencoder（TreeVAE），它能够分层地划分样本并发现数据中潜在结构，并利用树形结构中的叶子节点解码器提高了生成性能。TreeVAE 在不同的数据集上表现出了较高的对数似然下界，并且通过条件采样能够从聚类中生成新的样本。

Jun, 2023

通过在深度模型中主动注入知识，使用语义概念的层次树规范化图像数据实例的表达方式，提高模型可解释性，改善语义概念的分离，并不会对模型的分类性能产生负面影响。

Jul, 2023