- 去除置换对称性的贝叶斯神经网络紧凑表示
该论文提出了一种基于贝叶斯神经网络的方法，使用 Hamitonian Monte Carlo 采样和 rebasin 方法，对神经网络的权重进行可解释的不确定性估计，从而实现了采样方法和变分推断的统一，可以直接比较不同采样方法和变分推断训练 - 改进后验网络的个性化联邦学习的狄利克雷基础不确定性量化
通过对预测的不确定性进行精确建模，本研究提出了一种新的联邦学习方法，能够选择在特定输入点上表现更好的全局模型和个性化模型，该模型在现实世界的图像数据集上进行的全面实验评估表明其在存在超领域数据的情况下表现优异，并且在标准场景中与最先进的个性 - 目标检测的多类置信度和定位校准
本文使用新的训练技术，利用预测不确定性联合校准多类置信度和边界框定位，在多个数据集中测试表明，该方法可以有效地提高现代物体检测方法的校准性能。
- 恒定内存关注神经过程
本研究提出了一个新的神经过程模型 —— 常数内存注意力神经过程模型（CMANPs），它可以使用常数内存完成条件、查询和更新阶段，能够在低资源环境下高效地进行元回归和图像完成任务，与现有方法相比具有更好的内存效率和可扩展性。
- MMGP: 一种基于网格变形高斯过程的机器学习方法，用于在非参数几何可变性下回归解决物理问题
使用基于网格的机器学习方法进行物理仿真时，可以有效处理几何变化，并提供预测不确定性，它可以在大规模网格中处理复杂的几何形状和固定拓扑结构，并与图形神经网络相比具有相似的训练效率和准确性。
- 基于贝叶斯方法的不确定输入高斯过程回归
该研究提出了一种使用贝叶斯方法将观测数据的不确定性与高斯过程回归相结合的方法，因此在科学应用中可以更好地估计不确定性，并获得更稳健的预测结果。
- 分类模型中预测不确定性的归因
本文提出一种新的框架，将路径积分、反事实解释和生成模型相结合，以获得包含少量可观察到的人工构件或噪声的归因，并通过对各种复杂度的数据集的流行基准测试进行定量评估，证明这一方法优于现有的替代方法。
- ICML使用多头辅助网络的深度贝叶斯回归的不确定性感知 (UNA) 基础
本研究提出了一种训练框架，可以有效地捕捉神经线性模型中的预测不确定性，以适用于风险敏感的应用场景。该框架可以学习数据的特征并进行贝叶斯线性回归，从而生成预测不确定性。
- ICML参数高斯过程回归器
提出了两种可扩展的高斯过程回归方法，通过应用变分推断和直接处理后验预测分布来改善模型预测不确定性。
- 通过校准不确定性进行无监督领域自适应
本文提出了一种基于源域推广到目标域的无监督领域适应方法，该方法通过校准源域和目标域的预测不确定性（以 Renyi 熵度量）来实现，使用变分贝叶斯学习可靠的不确定性估计，并讨论了其理论性质并在实验中验证了其有效性。