提供了一种比使用蒙特卡洛采样估计神经网络的认识不确定性的方法更加高效的近似方法，该方法适用于大规模视觉任务。

Aug, 2019

该论文提出了一种名为深度子集合（Deep Sub-Ensembles）的方法，通过仅对接近输出层的层进行集成，从而近似获得深度集合（Deep Ensembles）的模型不确定性， 在减少计算负担的同时，控制了误差和NLL的变化，来实现在误差和不确定性精度和计算性能之间的权衡。

Oct, 2019

深度集成是一种用于深度学习中不确定性量化的最新技术，本研究通过指定相关假设，证明了其可视为近似贝叶斯方法，该发现有助于改进估计并增大认识不确定性，数值实验表明这种改进有助于提高鲁棒性，同时可以通过分析导出方便计算的结果。

May, 2021

本文提出了一组新的方法，可以通过单次前向传递来估计深度神经网络中的认识不确定性，这些确定性不确定性方法在表示信息的前提下，在检测超出分布数据（OOD）方面表现出强大的性能，同时几乎不增加推理时间的计算成本。然而，DUMs是否校准良好且是否可以无缝地扩展到实际应用仍不清楚。本文对DUM进行分类和评估，发现当前方法的实用性受到分布移位校准的限制。

Jul, 2021

本文提出了一种使用反正则化和控制过程的方法，来解决深度集成网络中的过度自信估计问题，该方法不需要任何超参数校准，并在回归和分类设置中得到了验证。

Apr, 2023

利用对抗模型量化不确定性提高估计认知不确定性的准确性，相较于现有方法，Quantification of Uncertainty with Adversarial Models能够更好地捕捉深度学习模型中的认知不确定性。

Jul, 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

Diffusion Ensembles for Capturing Uncertainty (DECU) is an innovative framework designed to estimate epistemic uncertainty in generative diffusion models by efficiently training ensembles of conditional diffusion models with a static set of pre-trained parameters and employing Pairwise-Distance Estimators (PaiDEs) to accurately measure epistemic uncertainty in high-dimensional spaces.

Jun, 2024

通过实验，我们观察到“认知不确定性孔洞”现象，即在大型模型和少量训练数据存在时，认知不确定性会明显降低，这与理论预期相反。该现象对基于认知不确定性的贝叶斯深度学习的实际应用产生问题，特别是在超出分布样本检测方面。

Jul, 2024

基于实验研究，证据深度网络产生的认知不确定性在某些情况下违反预期，这引发了对其准确性的质疑。在此基础上，我们提出了一种深度集成的正规化函数，称为冲突损失，以满足认知不确定性的两个要求，并且不损害深度集成的性能或校准性。

Jul, 2024