- 二阶不确定性量化：基于距离的方法
根据最新的批评，我们提出了基于二阶概率分布的预测不确定性的有效度量指标的一组形式标准，并提供了一个基于 Wasserstein 距离的具体框架，证明了所有标准均得到满足。
- 引入一种改良的信息论预测不确定性度量
应用机器学习模型进行决策需要区分模型所知与不知的内容。本文提供新的洞见，揭示当前预测不确定性度量的局限性，并引入了一种理论上可靠的度量方法来克服这些局限。实验证明，我们引入的度量方法在控制的合成任务中表现得更加合理，并且在利用预测不确定性的 - 深度卷积长短期记忆网络的时间性能预测
利用时间后处理方法来估计卷积长短期记忆网络的预测性能，通过预测交并比或分类交并比是否为零来评估预测质量，进一步研究所考虑的细胞状态数量对提出的评估指标的影响。
- 领域自适应目标检测：自训练与对抗学习之间的平衡
利用模型的预测不确定性在领域迁移中实现对抗特征对齐和类别级对齐之间的平衡，从而在各种适应场景中超越现有的最先进方法。
- 公正回归中的平等覆盖机会
我们研究在具有预测不确定性的公平机器学习中，以实现可靠和可信赖的决策。我们提出了一种新的基于不确定性的公平性方法 —— Equal Opportunity of Coverage (EOC)，旨在实现两个性质：（1）相似结果的不同组别的覆盖 - 更好的更少：关于预训练图神经网络的数据主动观点
我们提出了一种数据主动的图预训练（APT）框架，通过选择最具代表性和指导性的数据点来增强预训练，该框架包括图选择器和预训练模型，并通过两者的整合和交互以渐进迭代的方式进行图预训练，结果表明该方法能够通过较少的训练数据获得高效的预训练模型和更 - SEE-OoD: 增强型外数据检测的监督式探索
利用 Wasserstein 分数的生成对抗训练模型，结合预测不确定性和模型正则化，提高了异常样本检测的准确性，并在计算机视觉数据集上表现出卓越的泛化能力。
- 证据深度学习：提高地球系统科学应用的预测不确定性估计
可靠和实用的地球系统科学建模领域中，证据深度学习是一种有前途的方法，它能够准确量化预测不确定性，包括预测方差和模型不确定性，还可以通过敏感性分析来解释模型的预测结果。
- 改进 ReLU 网络中的预测不确定性的仿射不变集合变换方法
利用合适的集合卡尔曼滤波器的扩展来执行逻辑回归的贝叶斯推断，提出了两个相互作用的粒子系统，对这些相互作用的粒子系统收敛速率进行了定量证明，将这些技术应用于基于 ReLU 网络的贝叶斯近似方法以评估预测不确定性的效果。
- ICCVDELO：基于局部最优传输的深层证明式 LiDAR 里程计
通过引入一种基于深度学习的实时 LiDAR 测距法，我们可以联合学习准确的帧间对应关系和模型的预测不确定性，从而为定位预测提供安全保护的证据，同时通过部分最优 LiDAR 特征描述符转换和联合学习的方式提高位置估计的鲁棒性，并展示了预测不确 - 推断时间采样量化预测不确定性
通过后处理的抽样策略估计数据不确定性，该方法可用于任何前馈确定性网络，能生成多样化的预测分布，并与预测误差有着良好的相关性。
- PseudoCal: 基于无源方法的领域自适应非监督不确定性校准
本文提出了一种基于无标注目标数据的源自由校准方法 PseudoCal，该方法解决了无标签目标域数据中目标领域内部不确定性的问题，并在 10 个 UDA 方法上展现了出色的校准效果。
- 使用深度集成神经网络，在端点设备上预测小分子的溶解度
本文介绍了一种使用具有预测不确定性的深度学习模型来计算水溶性的方法，并且该模型可以在不使用服务器的情况下在静态网页上运行，提高了计算效率和易用性，同时实现了分子性质预测模型的不确定性和易用性的平衡。
- 密度不确定性层用于可靠的不确定性估计
为了应用于深度学习的相关领域，评估深度神经网络的预测不确定性是至关重要的。本文提出了一种新的预测不确定性标准，它应该基于输入的经验密度，使得对于训练数据中不可能出现的输入提供更高的不确定性，对于更可能出现的输入提供较低的不确定性，并开发了一 - 使用信息理论 Shapley 值解释预测不确定性
本文提出一种将 Shapley 值框架用于解释各种预测不确定性的方法，旨在通过量化每个特征对个体模型输出的条件熵的贡献来解释模型输出的不确定度；该方法具有用于协变量转移检测、主动学习、特征选择和主动特征值获取的应用。
- 基于预训练语言模型的文本分类器不确定性解释框架
该论文提出了一种名为 CUE 的新框架，通过一个变分自动编码器将预训练语言模型编码表示映射到一个潜在空间并通过扰动潜在空间生成文本表示，从而比较扰动前后的预测不确定性差异以识别引起不确定性的潜在维度并进一步追溯贡献于不确定性的输入特征。该框 - 深度学习模型不确定性的置信度量化
本文探讨了在深度神经网络中表示模型不确定性的 Conformal Prediction 框架，提出了一种新的基于概率方法的模型不确定性量化方法，并提供了可靠的边界用于计算不确定度。
- 深度学习中的一致置信现象及其对校准的影响
本文研究了深度神经网络模型校准方面的现有问题，并发现这类模型存在大量 “几乎确定” 置信度，导致常常过于自信。同时，文章提出可采用 Mixup 数据增强技术中的修改损失函数的方法来解决此类问题。
- ACLE-NER: 基于证据的深度学习在可信命名实体识别中的应用
介绍了 Evidential deep learning 在 named entity recognition (NER) 中实现 predictive uncertainty 的困难之处，并提出了一种可信 named entity rec - 利用深层集成技术在感应不确定性下进行行人轨迹预测
提出了一种能够同时考虑感知不确定性和预测不确定性的端到端估计器 —— 基于编解码器的深度合奏网络，比较了该模型与其他近似贝叶斯推断方法。实验表明，该方法可以更准确地进行鲁棒的未来状态预测。