- 贝叶斯迁移学习中扁平后验至关重要
我们提出了一种基于概率神经网络和贝叶斯传递学习的锐度感知贝叶斯模型平均方法，通过寻找平的极小值来提高模型的泛化性能。
- 用可解释的贝叶斯神经网络学习图结构
从平滑信号观测中的贝叶斯神经网络推断出的图结构学习以及不确定性量化可应用于数据结构不确定性至关重要的中小规模应用。
- 将不确定性量化纳入出行方式选择建模：一种贝叶斯神经网络（BNN）方法和基于不确定性引导的主动调查框架
将可解释人工智能领域的不确定性概念引入交通方式选择建模，提出了基于贝叶斯神经网络的交通方式预测模型（BTMP），该模型能够量化预测的不确定性，并通过一种不确定性引导的主动调查框架，动态地制定具有高预测不确定性的调查问题，通过减少调查问题数量 - 贝叶斯神经网络中的结构部分随机性
提出了一种结构化的方法来选择确定性权重子集，以消除神经元置换对称性和相应的冗余后验模态，从而大大提高现有近似推理方案的性能。
- 自信驾驶的自动化人工智能控制器：具备不确定性知识的车辆转向
在与真实世界进行接口的安全关键系统中，决策中的不确定性在机器学习模型中起着关键作用。本研究重点研发了一种使用机器学习框架的车辆横向控制系统，特别采用贝叶斯神经网络（BNN）来处理不确定性量化，该能力使我们能够评估模型预测的置信水平或不确定性 - 基于不确定性感知的贝叶斯神经网络实用电池健康监测
基于贝叶斯神经网络和传感器数据，本研究针对电池健康监测和终端寿命预测进行建模，在实验中验证了建议模型的有效性，预测误差率平均值为 13.9%，对特定测试电池可降至 2.9%；同时，预测结果包含可量化的确定性信息，从电池初始到中期使用阶段提高 - 针对组织病理图像分类的专注主动学习
Focused Active Learning combines Bayesian Neural Network with Out-of-Distribution detection to estimate different uncert - 机器人操作中贝叶斯模型的主动探索
通过积极学习方法和贝叶斯神经网络模型，提高机器人操纵的模型质量和数据效率，以应对复杂环境下的多任务处理挑战。
- 轻量级贝叶斯神经网络具有异方差不确定性的变分推断框架
本研究提出一种对轻量级贝叶斯神经网络（BNN）进行抽样无关变分推断的简单框架，通过将异方差预测不确定性和经验差异嵌入到学习得到的 BNN 参数的方差中，提高了预测性能。
- EuroPED-NN：不确定性感知的代理模型
通过使用 Bayesian 神经网络与噪声对比优先（BNN-NCP）技术，利用 JET-ILW 基座数据库和后续模型评估的数据成功生成了对 EuroPED 等离子体基座模型的不确定性感知代理模型。EuroPED-NN 通过提供模型的不确定性 - AAAI神经网络的全贝叶斯显著性检验
提出了一种全贝叶斯显著性测试方法（nFBST），采用贝叶斯神经网络来拟合非线性和多维关系，并通过计算证据值避免了传统方法中的理论派生难题，可以测试全局、局部和实例显著性，并且是一个可根据所选择的度量进行扩展的通用框架。
- 面向异构时间序列插值的不确定性感知深度注意力循环神经网络
通过采用自注意力机制和有效的残差组件，我们提出了深度注意力循环填补（DEARI）方法，同时估计异质多元时间序列中的缺失值及其相关的不确定性，并通过一种新颖的贝叶斯边缘化策略将其转化为贝叶斯神经网络，以产生随机 DEARI，并在真实世界数据集 - 基于上下文的生成模型用于飞机地面轨迹预测
该研究提出了一种概率机器学习的生成方法，用于侧面轨迹预测，旨在建模来自飞行员行为和空中交通管制员意图的认知不确定性对轨迹的影响，探索了不同模型中贝叶斯神经网络与拉普拉斯近似的概率方法在模拟飞机通过空域的流量方面的可行性。
- 基于特定于评分者的贝叶斯神经网络来量化医学图像分割中评定员不确定性
该研究旨在探索和分析医学成像中多位专家对同一图像进行解释和注释的情况下分割结果的可变性，引入了一种新颖的基于贝叶斯神经网络的架构来评估医学图像分割的标记者之间的不确定性，并使用一种包含关注模块的一编码器多解码器架构，该方法在七个不同的任务中 - 利用不确定度量化来选择鲁棒的首波到时
本文介绍了基于贝叶斯神经网络的地震勘探首波拾取新框架。新框架在大量实验中得到了验证，具有更好的准确性和稳健性，并且此拾取结果的不确定性对人类决策提供了参考。
- 无限宽的贝叶斯神经网络中权重无界方差下的后验推断
针对具有无界方差的神经网络权重的后验推断问题，提供了一种可解释且计算高效的条件高斯表达方法。该方法可利用高斯过程机器进行可行的后验推断和不确定性量化。
- 无限宽深度神经网络中的稀疏度 - 深度权衡
研究稀疏神经活动如何影响具有修正线性单元激活的神经网络的一般化性能，提出神经网络高斯过程（NNGP）核，观察到在浅层时更稀疏的网络在各种数据集上优于非稀疏网络，并通过扩展现有的核 - 岭回归的一般化误差理论来验证此观察结果。
- 贝叶斯神经网络后验估计尖化对隐性视觉偏差的缓解
这篇论文提出了一种基于贝叶斯神经网络的去偏方法，通过刻画后验概率与数据偏差 (or 伪相关性) 之间的关系，利用高确信性的核心特征代替不确定性高的特征，从而提高了模型的公平性和准确性。
- 贝叶斯神经网络是否需要完全随机化？
本文研究采用贝叶斯神经网络随机化所有参数的好处，并发现在某种程度上，全随机结构可能是不必要的。我们证明表达能力强的预测分布只需要很少的随机性，部分随机网络只需具有 $n$ 个随机操作即可成为 $n$ 维预测问题的通用概率预测器。在经验调查中 - 利用贝叶斯神经网络预测物流节点的工作负载
本文设计和实现了一个基于贝叶斯深度学习的预测模型，利用真实数据预测空集装箱停车场集卡的工作量和交通量，验证了该模型的实用性，为构建一个高效的流量和工作量计划系统提供了基础。