- IJCAI贝叶斯不确定性匹配在无监督域自适应中的应用
通过对深度神经网络中的预测不确定性进行建模并通过约束标签的分布来匹配特征和标签分布，从而有效地减轻了源域和目标域数据之间的标签分布迁移，进而在三个常见的数据集上表现出优异的效果
- ICML输出受限贝叶斯神经网络
提出 Output-Constrained BNN 技术，充分考虑贝叶斯框架下的函数约束，使用于 healthcare 和 robotics 应用中，改善模型鲁棒性和更好地防止不可行的预测输出。
- 使用贝叶斯神经网络学习全局成对交互
提出了一种探测未知形式交互作用效应的非参数概率方法，首先用贝叶斯神经网络模拟特征和输出之间的关系，使用 Bayesian Group Expected Hessian 方法评估交互作用效应和不确定性，最后演示了该方法探测深层神经网络的高阶特 - 对抗环境下模型不确定性的局限性
研究机器学习模型中的对抗样本和贝叶斯神经网络的不确定性测量，并发现置信度和不确定性可能是无可疑的，即使输出是错误的；同时，对大多数任务，我们在影响不确定性和置信度方面发现微妙的差异。
- 利用贝叶斯神经网络进行面部图像分析的知情 MCMC
本文研究了利用贝叶斯神经网络提高计算机视觉中后验分布采样的效率，从而减少进行面部图像分析所需样本数量。
- Adv-BNN: 基于鲁棒性贝叶斯神经网络的改进对抗防御
提出了一种新算法，使用贝叶斯神经网络模型和模型分布的学习来训练神经网络以提高其对抗攻击的鲁棒性，在实验中取得了最先进的效果。
- ECCV语义分割视频的高效不确定性估计
本研究提出了基于区域的时间聚合方法，利用视频中的时间信息模拟样本采集过程，以实现在像素级和帧级度量上与 Monte Carlo dropout 相媲美的不确定性估计，同时比使用 Monte Carlo dropout 快 10 倍。
- 深度上下文多臂赌博机
本文提出了一个非线性深度学习框架，用于处理上下文多臂赌博机问题，并通过 Thompson sampling 方法来解决探索与开发的取舍。我们采用贝叶斯神经网络的权重后验分布来解决 dropout 和采样之间的联系，并通过自适应学习 drop - 功能不确定性的噪声对比先验
提出噪声对比先验 (NCPs) 方法，用于输出各数据点之高可信度，防止模型在训练分布以外的输入上过度拟合，并且通过主动学习产生可靠的不确定度估计。
- 使用样本选择和条件生成对抗网络的图像分类和分割高效主动学习
使用生成对抗网络和贝叶斯神经网络的主动学习框架，可以从少量的医学图像中训练出具有良好鲁棒性的深度学习系统，取得了同类方法中最先进的性能表现。
- 一种用于异常值检测的近似贝叶斯长短期记忆算法
本研究提出使用 Ensemble Kalman Filter 对神经网络权重的不确定性进行近似估计，结合最大似然估计优化噪声分布协方差，以应用于通过 Twitter 平台检测真实世界事件中的异常值。
- NIPS基于 Alpha 分歧 Dropout 推断的贝叶斯策略梯度
本文提出一种方法，通过贝叶斯神经网络拟合值函数来估算分布，使用蒙特卡洛后验均值作为代替确定性网络的价值函数分布，提高了在连续控制 MuJoCo 模拟中使用策略梯度方法的稳定性和性能。
- 视觉问答中的主动学习：实证研究
本文是一项关于视觉问答中主动学习的实证研究，聚焦于使用深度 VQA 模型从一个池中选择有信息量的问题 - 图像对，通过与贝叶斯神经网络框架下快速有效的目标驱动主动学习评分函数，最大限度地提高性能，针对三种不同的主动学习方法进行研究评估，结果 - DropoutDAgger: 一种安全模仿学习的贝叶斯方法
本文提出了一种基于概率 DAgger 的算法，使用了 dropout 训练新手并提供其置信度，通过新手行为分布估计与专家行为相关的安全的概率度量，以平衡探索和利用，在 MuJoCo HalfCheetah 和简单的驾驶实验中证明了与其他 D - NIPS基于隐含参数马尔可夫决策过程的强健高效迁移学习
我们引入了一个新的 HiP-MDP 隐藏参数马尔可夫决策过程的处理方式，它能够通过低维度的潜在嵌入来建模相关任务的家族。我们采用贝叶斯神经网络来替换原模型中的高斯过程，从而使推理更具可扩展性，我们正确地模拟了潜在参数和状态空间中的联合不确定 - ICLR高效变分贝叶斯神经网络集合在异常检测中的应用
本研究使用贝叶斯神经网络设置中的后验变分逼近和梯度下降来获得神经网络集合以进行异常值检测，并证明其结果与其他有效的集成方法相当。