- 基于物理约束的贝叶斯神经网络用于稀疏噪声流场重建
本文提出了一种基于物理约束的贝叶斯深度学习方法，用于从稀疏、噪声较大的速度数据中重建流场，并估计重建流的不确定性，该方法在稀疏测量数据上训练贝叶斯深度神经网络来捕捉流场。与此同时，在无法获得测量数据的大量时空点上，对违反物理定律的惩罚将被响 - 糖尿病视网膜病变任务中贝叶斯深度学习鲁棒性的系统比较
我们提出了一个受真实医学图像诊断启发的新的贝叶斯深度学习基准测试，用于模型的不确定性预筛查，包括对分布变化的鲁棒性。目前的评估方法存在不足，在我们的基准测试中，我们发现一些解决 UCI 基准测试的技术过拟合数据集，而在我们的基准测试中则表现 - AAAI随机梯度 langevin 动力学中的成员隐私特征
本文从成员隐私保护的角度出发，研究了 SGLD 算法的信息泄露性质，证明了 SGLD 算法能够在一定程度上防止训练数据集的信息泄露，同时实验结果验证了该算法在实际应用中不仅能够减少信息泄露，还能够提高深度神经网络的泛化能力。
- 利用解剖分割的认知不确定性进行视网膜 OCT 异常检测
利用贝叶斯深度学习的方法结合 Monte Carlo dropout 与新的后处理技术，我们成功地在视网膜光学相干断层扫描图像的异常区域检测中发现了候选的生物标记物，并在病变检测上获得了高精度的分离健康和患病案例的结果。
- 子 Weibull 分布：将子高斯和子指数分布的属性推广到更重尾部的分布
提出了次 Weibull 分布的概念，其特点是尾部轻于（或同样轻于）Weibull 分布的右尾。此新类别将亚高斯和亚指数族推广到可能为更重尾分布。次 Weibull 分布是由正的尾部指数 θ 参数化的，当 θ = 1/2 时，它减少了 亚高 - 具有深度卷积高斯过程的贝叶斯图像分类
本研究提出了一种翻译不敏感的卷积核，并将高斯过程重新制定为多输出高斯过程，以实现深度卷积高斯过程。实验证明，与使用 dropout 的贝叶斯深度学习方法相比，我们的全贝叶斯方法在不确定性和边际似然估计方面的性能有所提高。
- U2-Net: 基于贝叶斯 U-Net 模型的迭代不确定性反馈用于病理性 OCT 扫描中的光感受器层分割
本文介绍了一种基于 Bayesian 深度学习的模型，用于对病理性 OCT 扫描中的光感受层进行分割，该架构提供了准确的光感受层分割结果，并生成显示可能的病理或分割错误区域的像素级别知识不确定性图。我们在两组与视网膜黄斑病变、视网膜静脉阻塞 - 评估基于贝叶斯深度学习的语义分割方法
本研究提出了三种度量标准以评估贝叶斯深度学习模型在语义分割任务中的不确定性估计。通过修改 DeepLab-v3+ 模型并使用 MC dropout 和 Concrete dropout 作为推断技术，本研究在 Cityscapes 数据集上 - 带不确定性多视角对半监督 3D 学习
本文提出了一种基于多视角一致性的 3D 数据协同训练新框架，利用不同子网络的多样化特征来扩展协同训练，采用基于贝叶斯深度学习的不确定性加权标签融合机制来估计每个视图预测的可靠性，并通过自适应方法计算每个未标注样本的置信度，它在临床图像处理领 - ICCV利用深度贝叶斯变分推断的不确定性感知视听活动识别
本研究提出了一种考虑个体单模态预测不确定性的多模态贝叶斯融合框架，采用行为识别作为应用案例，并结合确定性和变分层混合以扩展贝叶斯深度神经网络的深层架构，在 Moments-in-Time 数据集的实验中表现出优于基准方法和 Monte Ca - 贝叶斯深度学习中强基线的重要性
本论文通过对 UCI 数据集上的回归实验的相关方法进行比较，揭示了实验过程中可能存在的问题，并指出在贝叶斯深度学习中使用相同的实验环境进行评估、比较和基准测试的重要性。
- AAAI自然语言处理任务中的不确定性量化
本论文提出了新方法来研究自然语言处理（NLP）任务中表征模型和数据不确定性的好处，通过在卷积和循环神经网络模型上的实证实验，展示了明确建模不确定性不仅有利于测量输出置信水平，而且对于提升各种 NLP 任务中的模型表现也是有用的。
- 基于贝叶斯深度学习的光学相干层析成像视网膜层联合分割和不确定性可视化
该论文提出了一种基于贝叶斯深度学习的视网膜层分割和不确定性量化方法，其不仅可以进行视网膜层的端对端分割，而且还可以提供像素级的不确定性度量。通过生成的不确定性地图，可以识别出错误分割的图像区域，从而用于下游分析。该方法在视网膜图像分割方面具 - 复杂模型变分推断的快速简单的自然梯度下降
本文研究使用自然梯度方法解决贝叶斯深度学习中的复杂模型的计算挑战，并表明这种方法在提高收敛性方面有优势。
- ICMLVFunc：一个用于函数的深度生成模型
本短文介绍了一种利用深度生成模型处理函数的方法，提出了一种联合分布模型，可对函数 f 和潜在变量 z 制定一种联合分布 p (f, z)，从而使我们能够高效地从边缘分布 p (f) 中采样并最大化熵 H (f) 的变分下界。
- NIPS端到端控制的空间不确定性采样
本文提出了一种利用特征映射相关性估计不确定性的贝叶斯神经网络用于端到端控制，该方法在传统元素级 dropout 方法上实现了更好的模型拟合和更紧密的不确定性估计。
- Bayesian 深度学习对于离散 - 连续和偏斜数据不确定性的量化
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。
- NIPS神经网络中的隐含权重不确定性
该论文介绍了 Bayes by Hypernet，一种新的变分逼近方法，通过将超网络视为隐式分布来解决现代神经网络在未见过的、嘈杂的或标记错误的数据上过于自信，并且不能产生有意义的不确定性度量的短板，本文在 MNIST 和 CIFAR5 任 - 针对开放集条件下的鲁棒物体检测的 Dropout 采样
本研究首次研究了 Dropout Sampling 在目标检测中的应用，通过从先进的目标检测系统中提取标签不确定性，利用 Dropout Sampling 网络实现了在机器人视觉中通常遇到的开放条件下的目标检测性能的提高，实现了召回率增加 - 深度学习的快速学习率：从核视角
本文提出了一种新的理论框架来分析深度学习的泛化误差，推导了代表性算法（经验风险最小化和贝叶斯深度学习）的新的快速学习率，并且发现在有限维度的近似模型中存在偏差 - 方差权衡。