- 具有 $k$- 次模函数的 Stackelberg 博弈下的分配风险感知性和鲁棒性
我们研究了在对抗环境中的子模规划优化问题，该问题适用于机器学习中使用容易受到不确定性和攻击的数据进行特征选择。我们关注攻击者和防御者之间的斯塔克尔伯格博弈，攻击者的目标是最小化防御者最大化的 k - 子模规函数。我们考虑攻击成功和数据噪声带 - VAEneu：新的变分自编码器在概率预测中的应用途径
这篇文章提出了 VAEneu，一种新颖的自回归方法，用于多步骤单变量概率时间序列预测。我们采用条件 VAE 框架，并通过采用连续排名概率得分（CRPS）作为损失函数来优化预测分布似然函数的下界。这种新颖的流水线可以产生具有尖锐和良好校准的预 - 任意非线性贝叶斯神经网络的小样本变分推断
本研究通过仅使用 3 个确定性样本来传播统计矩，实现了对任意非线性网络层的统计矩传播，从而使得少样本变分推断成为可能，并将此方法应用于一种新的非线性激活函数，用于向 Bayesian 神经网络的输出节点注入物理先验信息。
- CAUS：基于人类认知的问题生成数据集，利用大型语言模型
我们介绍了 CAUS（Curious About Uncertain Scene）数据集，旨在使 GPT-4 这种大型语言模型能够模拟人类认知过程来解决不确定性。利用该数据集，我们研究了 LLM 在有效进行提问方面的潜力。我们的方法是提供具 - 如何展现更可预测的行为
该论文研究了可预测性问题，考虑了环境动态和观察到的 agent 策略的不确定性，通过引入观察者感知的马尔可夫决策过程框架，提出了基于观察者对 agent 策略的信念构建的奖励函数，分析并证明了由这些奖励函数导出的可预测性马尔可夫决策过程可以 - 限制性贝叶斯神经网络
这项研究探索了贝叶斯神经网络的概念，并提出了一种新颖的架构来显著减少网络的存储空间复杂性。此外，我们介绍了一种能够高效处理不确定性的算法，确保强健的收敛值而不会陷入局部极小值的问题，特别是在目标函数缺乏完美凸性的情况下。
- 通过不确定性提升可解释的自动驾驶车辆对象感知模型
基于 “物体引导” 模型方法和 Beta 先验的证据深度学习范式，该研究提出了一种解释自动驾驶车辆决策的方法，通过集成不确定性评估来克服复杂驾驶场景中可靠性方面的挑战，并在基于 BDD-OIA 数据集的实验中证明该模型在各种情景下优于现有基 - 如何验证机器学习回归任务的平均校准性？
根据最新机器学习不确定性量化文献上的数据集集成，本文展示了标定误差 (CE) 极其敏感于不确定性分布的特点和异常值不确定性的存在，因此不适合用于标定测试，相比之下，ZMS 统计量在这个背景下提供了最可靠的方法，并且探讨了条件标定验证的启示。
- 变分持续测试时间自适应
本文介绍了 VCoTTA，这是一种变分贝叶斯方法，用于在 Continual Test-Time Adaptation（CTTA）中测量不确定性，并且该方法通过组合源模型和教师模型的先验来更新学生模型，实验证明该方法在减轻 CTTA 框架内 - ICLR稳定分布传播的不确定性量化
基于局部线性化的方法来通过神经网络传播稳定的概率分布，以量化其输出的不确定性。
- 动态过程不确定性的路径空间卡尔曼滤波器用于分析时间序列数据
通过发展一种称为 Pathspace Kalman Filter (PKF) 的 KF 扩展算法，我们能够动态跟踪与底层数据和先验知识相关的不确定性，并利用贝叶斯方法量化不同的不确定性来源，并且在生物学时间序列数据集上的应用表明，PKF 在 - Proto-MPC：一种应用于四旋翼控制中的编码器 - 原型 - 解码器方法，用于挑战性风环境
通过 EPD 多任务元学习方法和 Proto-MPC 模型预测控制问题的集成，提高四旋翼机在动态变化任务中的适应性和操作能力，该方法在模拟中经验证明具有鲁棒的性能。
- 依赖不可靠之处：语言模型不愿表达不确定性的影响
AI 与人类交互时，自然语言作为默示接口，需要全面地传达语言模型关于回复的不确定性。研究发现，现有的语言模型在回答问题时无法表达不确定性，导致高错误率。人类在实验中过分依赖于语言模型生成的回复，而且存在对不确定性回复的偏见。因此，该研究提出 - AAAI高阶认知模型在主动学习中的作用
建立能够有效与人类协作的机器一直是人工智能领域的长期目标。在存在不确定性的情况下，实现最佳合作通常需要人类和人工智能代理模拟彼此的行为，并利用这些模型推断潜在目标、信念或意图，这可能涉及多个层次的递归。我们提倡一种新的主动学习范式，利用人类 - 工程系统设计中的动态决策制定：一种深度 Q 学习方法
通过使用深度 Q 学习算法来优化工程系统设计的框架，在处理复杂性和不确定性带来的挑战的同时，通过模拟模型寻找最大化输出的策略，解决了多个不确定性源的存在导致的工程系统设计问题。
- AAAIE2E-AT: 一个统一的框架用于应对任务感知的端到端学习中的不确定性
将机器学习、约束优化、端到端学习、不确定性和对抗训练作为关键词，该论文提出了一种统一框架来解决不确定性模型，并通过端到端对抗训练进行了实践求解，最后通过实际的电力系统运行问题的评估，包括负荷预测和顺序调度任务。
- 基于 PINNs 的瞬态稳定性分析不确定性量化
本研究利用物理信息神经网络（PINNs）的集成模型（E-PINNs）来解决具有缺失参数和摆动方程中的不确定性传播的电力系统的暂态稳定性挑战，并在提高准确性和降低计算负载方面估计关键参数的角度和惯性系数。E-PINNs 利用摆动方程的基本物理 - CO2 流动模式推断 —— 可行性研究
在全球推广碳捕获和封存（CCS）技术以应对气候变化的过程中，建立健全的监测和检测机制以应对潜在的地下 CO2 泄漏，特别是通过储存库密封物的预存在或诱导的断层，变得更加重要。通过历史匹配和时变地震监测等技术已成功跟踪 CO2 在地下的演化过 - DRIFT: 智能浮动平台轨迹的深度强化学习
该研究提出了一种基于深度强化学习的新型套件，用于控制模拟和真实环境中的浮动平台，在动态和不可预测的条件下实现精确操纵，并具备鲁棒性、适应性和从模拟到现实的良好迁移能力。
- 转移气候变化知识
使用卷积神经网络等机器学习方法基于地球系统模型模拟和历史观测知识更准确地预测未来气候变化，发现根据不同情景的模拟，全球表面温度在 21 世纪将超过 1.5°C 和 2°C 临界点，提供紧急需要的更准确的气候预测。