- 有限状态马尔可夫决策过程中的离线贝叶斯不确定性量化与后验值优化
在这篇文章中，我们解决了以未知动态的有限状态马尔科夫决策过程（MDPs）的离线使用为情景的贝叶斯不确定性的量化并将其合并的挑战。我们的方法提供了一种原则性方法来区分认识不确定性和机缘不确定性，以及一种无需依赖于 MDP 的后验分布的强假设来 - 机器学习与深度学习中不确定性的文献综述
该研究综述了机器学习中不确定性的来源、分类和度量方法，并讨论了不确定性对决策过程的影响。重点关注深度学习领域，提供了广泛范围的不确定性讨论和深度学习中的不确定性量化方法的最新综述。
- 水资源管理的带不确定性量化的径流预测：一种约束推理与学习方法
预测流域水量的时空变化及不确定性量化有助于可持续管理宝贵的水资源，本文研究了约束推理和学习方法，在深度神经网络中将物理定律作为逻辑约束层进行集成，并结合高斯过程和深度时间模型进行不确定性量化。实验证明，这些方法在多个真实数据集上比基线方法具 - 鸟瞰视野语义分割的不确定性量化：方法与基准
这篇论文介绍了一种用于预测不确定性量化的基准测试方法，通过评估不同方法在三个流行数据集上对于识别被错分和不适当类别像素、以及校准的有效性，发现证据深度学习方法在高效量化不确定性方面表现最有潜力，提出了适用于高度不平衡数据的 Uncertai - 深度学习的不确定性量化
提供了深度学习的完整且具有统计一致性的不确定性量化，包括源自（1）新的输入数据，（2）训练和测试数据，（3）神经网络的权重向量和（4）神经网络本身的不确定性。
- VENI, VINDy, VICI：具有不确定性量化的变分降阶建模框架
使用数据驱动的框架，结合变分自动编码器和稀疏非线性动力学识别的变分版本，提出了一种解释性和可靠的降阶模型构建方法，并进行了不确定性量化。通过英文缩写 VENI、VINDy 和 VICI 展示了该方法在识别可解释和准确的动力学系统以及对结构力 - 核心语言熵：基于语义相似性的 LLMs 细粒度不确定性量化
在大型语言模型中，不确定性量化对于关系到安全性和可靠性的应用至关重要。我们提出了 Kernel Language Entropy（KLE），这是一种用于估计白盒和黑盒语言模型中不确定性的新方法，它能够捕捉到模型输出的语义不确定性，并通过 v - 动态 GNN 的有效符合性预测
将展开方法应用于动态图神经网络，扩展了置信度预测的有效性和性能，解决了静态图和转导和半归纳情况下的交换性问题。
- 同形性抑郁预测
通过引入基于符合预测的不确定性量化的符合抑郁预测方法（CDP），本研究展示了在抑郁识别中的不确定性量化应用，以及 CDP 和 CDP-ACC 在 AVEC 2013 和 AVEC 2014 数据集上的有效性和优越性。
- 基于协方差预测的逆问题中的任务驱动不确定性量化
在成像逆问题中，通过缺失或损坏的测量数据来恢复图像是一个不适定问题，因此我们提出了一种以任务为中心的方法来量化测量和恢复过程中引起的不确定性，其中使用符合性预测构建了一个区间，并保证以用户指定的概率包含真实图像的任务输出，并使用该区间的宽度 - SEMF: 监督的期望最大化框架用于预测区间
该研究介绍了监督期望最大化框架（SEMF），这是一个多功能且不涉及具体模型的框架，可以为具有完整或缺失数据的数据集生成预测区间。SEMF 将经典的无监督学习中使用的期望最大化（EM）算法扩展到监督环境中，实现了提取不确定性估计的潜在表示。该 - 联合语义分割和单目深度估计中的多任务不确定性评估
本论文研究了多任务学习对不确定性估计质量的影响，并探索了在联合语义分割和单目深度估计上量化预测不确定性的方法。
- ProDAG: 基于投影的有向无环图的变分推断
基于变分贝叶斯推理框架，我们开发了一种在有向无环图中量化不确定性的方法，通过引入新的分布，该分布直接在 DAG 空间上支持，我们的方法 ProDAG 可以提供准确的推理，通常优于现有的先进方法。
- 从上下文不确定性量化中对上下文学习能力的更好理解
本文研究了 Transformer 在线性回归任务上的训练，考虑了条件期望和条件方差的双目标预测任务，提供了不确定性量化目标，并揭示了训练 Transformer 接近贝叶斯最优的理论性质，以及在处理任务转移时表现不同于贝叶斯推断的能力。
- 基于得分的生成模型的可证明鲁棒性研究：一个不确定性量化的视角
通过不确定性量化的视角，我们证明基于得分的生成模型对实际实现中的多重误差具有可靠性。利用 Wasserstein 不确定性传播定理，我们展示了有限样本近似、提前停止、得分匹配目标选择、得分函数参数化表达能力以及参考分布选择所导致的误差如何影 - CVPR基于条件扩散模型的可靠轨迹预测与不确定性量化
通过集成驱动能力的约束和物理约束条件的生成预测模块，本研究提出了一种基于扩散模型的高速公路轨迹预测网络架构，通过整合量化的不确定性进行预测，以提高模型的性能。该模型在公开可用的高 D 数据集上进行了评估实验，结果表明在提供可行驶轨迹和不确定 - MM回归树懂微积分
用于预测分析的回归树通过估计梯度提高了模型的能力，并解决了不确定性量化的任务，同时提供了模型行为的解释。
- 高效的双阶高斯过程回归 —— 自动核搜索和子采样
通过引入灵活的两阶段高斯过程回归框架、自动核搜索算法、子采样启动策略和精确与可伸缩两种方法，本研究提出了一种泛用框架来解决 GPR 中的表示偏差、核函数错误和超参数错误问题，并在真实世界数据集上进行了广泛评估，验证了方法的鲁棒性和精确性。
- 具有半绑定反馈的随机在线一致预测
通过修改模型输出一组标签而不是单个标签，符合预测已成为一种可行的不确定性量化策略。在在线学习设置中，我们考虑了半强盗反馈，其中只有在真实标签包含在预测集中时，我们才能观察到真实标签。我们提出了一种针对这种情况的新颖符合预测算法，并证明它相对 - 语义密度：大型语言模型中语义空间的不确定性量化
通过语义密度方法，解决大型语言模型在安全关键场景中的不确定性问题，提高可信度和性能表现。