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

该研究提出了一种新的数据不确定性估计方法，通过主动去噪处理观察数据，以更准确地近似实际数据不确定性。实验证明，与标准方法相比，我们提出的方法更接近实际数据不确定性。

Dec, 2023

本文提出了一种基于深度神经网络单模型的 aleatoric 和 epistemic 不确定性估计方法，分别为 Simultaneous Quantile Regression（SQR）和 Orthonormal Certificates（OCs），这些方法无需集成或重新训练深层模型就能达到竞争性能。

Nov, 2018

利用深度神经网络学习目标函数的深度非参数回归近年来成为研究的焦点，尽管在理解收敛速度方面取得了相当的进展，但缺乏渐近性质阻碍了严格的统计推断。为填补这一空白，我们提出了一种新的框架，将深度估计范式转化为一种有利于条件均值估计的平台，利用条件扩散模型。在理论上，我们为条件扩散模型开发了端到端的收敛速度，并建立了生成样本的渐近正态性。因此，我们可以构建置信区间，便于进行鲁棒的统计推断。此外，通过数值实验，我们在实践中检验了我们提出的方法的有效性。

May, 2024

本文提出了一种结合生成模型和模型不确定性的不确定性感知机器人感知方法，用于处理源自超出分布状态的不确定性。

Dec, 2018

本文探讨了深度学习中的不确定性矫正问题，提出并验证了在非参数回归任务中使用稀疏深度 ReLU 结构进行贝叶斯推断的理论模型，强调了其在统计推断方面的优势。

Feb, 2020

可靠和实用的地球系统科学建模领域中，证据深度学习是一种有前途的方法，它能够准确量化预测不确定性，包括预测方差和模型不确定性，还可以通过敏感性分析来解释模型的预测结果。

Sep, 2023

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

提出了一种用基于贝叶斯信任网络和蒙特卡罗采样的方法来对神经网络进行不确定性估计，这个方法具有与神经网络结构和任务无关，不需要优化进程的更改，能够应用于已经训练好的结构，有效地提高了准确性。

Jul, 2019

该研究展示了一个离散 - 连续 Bayesian 深度学习模型，并使用高斯和对数正态分布来量化模型的不确定性，该模型可以更好地处理具有极度偏斜分布的数据。该模型为温室气体降尺度模型提供了不确定性评估，并在预测精度和不确定性校准方面表现出众。

Feb, 2018