- 拟贝叶斯满足藤
通过使用 Sklar 定理将预测分布分解为一维边缘预测和高维 copula，提出了一种扩展 Quasi-Bayesian 预测到高维的方法。我们利用高度表达 vine copulas 来建模依赖关系，并使用鲁棒分歧（如能量分数）来调整超参数 - ACL预测概率的解释：模型置信度还是人工标签变异性？
研究纸的主要议题和研究领域是 NLP 系统的不确定性评估，并讨论了预测分布对于模型信心和人类标签变化的指示的两种不同观点，推荐工具和展示了关于预测和人类标签不确定性的解耦表示的令人兴奋的方向。
- 深度非参数时间序列预测器
这篇论文提出了非参数基线模型用于时间序列预测，不同于传统的预测模型，该方法不需要对预测分布进行参数化假设，而是通过从经验分布中根据可调节的策略进行采样来生成预测。此方法总是能够产生合理的预测（即在观测数据范围内的预测），而不像传统模型在某些 - 超越顶级一致性：使用差异来预测分布转移下的性能
模型泛化性和预测分布在数据的广泛应用中至关重要，本研究通过基于 Hellinger 距离、Jensen-Shannon 和 Kullback-Leibler 散度的模型差异概念，发现散度得分相对于最高 1 的概念在测试误差估计和检测率上提供 - 预测不确定性的模型无关变量重要性：一种基于熵的方法
这篇论文介绍了如何将解释性方法扩展到具有不确定性意识的模型中，并演示了如何通过这些方法深入理解模型行为、特征对预测分布熵和真实标签对数似然的影响，以及不确定性来源对模型性能的影响。
- ICLR马丁格尔后验神经过程
本文提出了一种名为 Martingale Posterior Neural Process (MPNP) 的模型，将预测分布与神经网络隐含层结合，使用递归的贝叶斯后验方法来降低模型误差。实验表明，MPNP 在各种任务方面的表现要优于基准模型 - ICLR自回归条件神经过程
本文介绍了一种基于条件神经过程的预测方式，在测试阶段以链式规则定义联合预测分布，从而克服条件神经过程只能独立预测的缺点，实现高度相关、非高斯的预测，且性能显著优于非自回归条件神经过程，在不需要额外的近似推断或昂贵的训练策略的情况下，达到了与 - ICML使用稀疏隐式过程纠正模型偏差
本文研究参数选择对贝叶斯学习程序的影响，介绍了一种名为 Sparse Implicit Processes 的模型，该模型是可训练的，具有灵活的预测能力，并且成功实现了对数据集的预测分布的修正，从而提高了方法的鲁棒性。
- 马丁格尔后验分布
本文提出了一个不同于传统贝叶斯不确定性量化的观点，着重于缺失观测值作为统计不确定性的来源，并引入了一种基于鞅的后验分布，避免了从先验到后验再到预测分布的复杂计算过程。
- 稀疏深度学习的高效变分推断及理论保证
本文旨在通过完全贝叶斯处理下的尖峰 - 平板先验训练稀疏深度神经网络，通过连续放松伯努利分布开发一组计算有效的变分推断方法。实证结果表明，这种变分程序不仅提供了关于贝叶斯预测分布的不确定性量化，而且还能通过训练稀疏多层神经网络实现一致的变量 - 计算预测区间的方法：综述与新结果
本文基于参数框架回顾了预测区间的两种主要方法：基于影响量的方法和基于预测分布的方法，并提供了多个例子和模拟研究，同时还探讨了离散数据的预测区间方法和依赖数据的预测区间方法，例如时间序列、空间数据和马尔科夫随机场。
- CVPR自我知识蒸馏正则化类别预测
通过对同标签样本之间的预测分布进行正则化，使得深度神经网络在图像分类任务中显著提高预测能力和置信度表现的一种新的正则化方法。
- 何时出错？基于实例特征重要性的时间序列模型解释
我们提出了 FIT 框架来评估多元时间序列黑匣子模型中观察值的重要性，并且与现有的基线方法比较，在模拟和真实世界的临床数据上证明我们的方法在确定时间序列中的重要时间点和观察值方面更具优越性。
- 贝叶斯深度学习与概率泛化的视角
使用贝叶斯较量的关键是无脊柱化，这可以提高现代深度神经网络的准确性和校准性，因为这些网络通常被数据欠规范，可以表示许多引人入胜但不同的解决方案。我们展示了深度集合提供了一个近似贝叶斯无脊柱化的有效机制，并提出了一种相关方法，通过在吸引盆地内 - 用于后处理集合天气预报的神经网络
本文提出了一种基于神经网络的灵活的天气预测统计后处理技术，可以自动学习非线性关系，显著优于传统后处理方法，并可以被扩展到其他统计后处理和预测问题。
- CVPR基于卷积社交池化的车辆轨迹预测
使用卷积社交汇集的 LSTM 编码器 - 解码器模型可以使得机器人更好地学习掌握复杂路况下的周围车辆的运动，并在多种交通场景中获得了不错的预测效果。
- 变分相关向量机
本文介绍了 Relevance Vector Machine，它是一种概率模型，其功能形式相当于 Support Vector Machine，提供完整的预测分布，并且需要更少的核函数。我们展示了如何通过变分推理在完全贝叶斯范式内构建和解决