- 使用符合预测法进行深度学习模型校准外检测
在遥感等关键应用中，深度学习模型的黑盒特性使其使用变得复杂。与数据可交换性相关的符合预测是一种能确保信任的方法，可提供有限样本覆盖保证，以用户定义的错误率为形式，确保预测集合包含真实类别。本文展示了符合预测算法与深度学习模型的不确定性相关， - 机器学习中有效不确定性量化的共形预测方法的比较研究
过去几十年，数据分析和机器学习领域的大部分工作都致力于优化预测模型，并取得比现有模型更好的结果。然而，本文指出对于很多应用而言，更加重要的并非准确的预测，而是变异性或不确定性。本文进一步探讨了让每个人了解不确定性、意识到其重要性并学会拥抱而 - 零和位置差分博弈作为鲁棒强化学习的框架：深度 Q 学习方法
该研究论文提出了鲁棒强化学习（RRL）通过考虑位置微分博弈理论中的 RRL 问题，给出了理论上的合理性，并发展了一种集中式 Q 学习方法。利用该方法，我们证明了在 Isaacs 的条件下（适用于现实世界的动态系统），同一个 Q 函数可以被用 - 大型语言模型的不确定表达对用户依赖和信任的影响研究
广泛应用的大型语言模型（LLM）能够生成具有说服力但不正确的结果，存在误导用户的风险。为减少过度依赖，有呼吁要求 LLM 向最终用户传达其不确定性。然而，有关用户如何感知和行动 LLM 的不确定表达的实证研究很少。通过大规模的、预先注册的人 - 正交自举：有效模拟输入不确定性
引入 Orthogonal Bootstrap 方法降低 Bootstrap 模拟方法的计算成本，同时提高实证准确度并保持构建区间的宽度。
- 关于理想赌局集合的结果
基于一种模型来代表在不确定性下代理人的观点和选择偏好的连贯关系集合，本文提供了关于连贯性所需的公理和给定一组理想赌注集合的自然扩展的一些结果，同时表明理想赌注的连贯集合可以由一组合理的滤波器来表示。
- 短期电力需求的任意分位数概率预测
该论文提出了一种新颖的通用方法，能够预测任意分位数，并应用于两种不同的神经网络结构，在短期电力需求预测任务中取得了最新的分布预测结果。
- 面向成本敏感的基于不确定性的物体检测故障识别
为了提高对象检测的准确性和安全性，研究提出了一种基于阈值和不确定性的成本敏感的对象检测框架，用于避免错误检测。通过分析不同类型的不确定性与检测错误之间的相关性和成本，该方法自动优化阈值以最大化对指定预算的错误识别率，在自动驾驶数据集上的评估 - 自信驾驶的自动化人工智能控制器：具备不确定性知识的车辆转向
在与真实世界进行接口的安全关键系统中，决策中的不确定性在机器学习模型中起着关键作用。本研究重点研发了一种使用机器学习框架的车辆横向控制系统，特别采用贝叶斯神经网络（BNN）来处理不确定性量化，该能力使我们能够评估模型预测的置信水平或不确定性 - 基于在线评论的贝叶斯动态定价
当发布新产品时，企业面临市场接受程度的不确定性。在线评论不仅为消费者提供宝贵信息，也为企业提供了调整产品特性（包括售价）的机会。本文考虑了带有在线评论的定价模型，其中产品的质量不确定，卖方和买方通过贝叶斯方法更新信念以做出购买和定价决策。我 - 贝叶斯 NeRF：用神经光辐射场中的体积密度量化不确定性
我们提出了贝叶斯神经辐射场（NeRF），它能够在几何体积结构中明确量化不确定性，无需额外网络，使其适用于具有挑战性的观测和无控制的图像。NeRF 通过丰富的场景表示来区别于传统的几何方法，在三维空间中从不同视角呈现颜色和密度。然而，NeRF - EPL：证据原型学习用于半监督医学图像分割
本研究提出了 Evidential Prototype Learning (EPL) 方法，利用扩展的概率框架有效融合来自不同来源的体素概率预测，并在广义证据框架下实现标记和未标记数据的样本融合利用，利用体素级双不确定性掩膜。该方法在 LA - 通过神经网络的近似推理进行贝叶斯生存分析
本文研究了在深度神经网络中建模不确定性对生存分析的预测和校准性能的好处，提出了一个贝叶斯深度学习框架，评估了四个基准数据集上的预测表现，并与传统非贝叶斯方法进行比较。
- CONFLARE: 形式化大型语言模型检索
引入了一个四步框架，将符合性预测应用于量化检索不确定性，从而确保检索增强生成 (RAG) 的可信度。
- 利用 NEON 在函数空间中的复合贝叶斯优化 -- 神经确知算子网络
运算符学习领域的研究正在快速发展，在这篇论文中，我们介绍了一种名为 NEON（神经认识运算符网络）的架构，用于使用单个运算符网络骨干生成具有不确定性的预测，其可训练参数比具有相似性能的深度集合模型小数个数量级。通过在玩具和真实场景上与其他最 - 关于大型语言模型的决策重要性中的不确定性
我们研究了在自然语言作为输入的决策问题中不确定性的作用，发现在大型语言模型中忽视了不确定性对于带有大型语言模型的赌博任务具有基础性的作用。
- 利用最大均值差异质心在强化学习中传播价值函数的不确定性
基于不确定性的价值函数计算能够提升强化学习中的探索性能。本文引入了最大均值差异 Q-Learning (MMD-QL) 来改进 Wasserstein Q-Learning (WQL) 以在时序差分更新中传播不确定性。MMD-QL 利用 M - 基于不确定性的分布离线强化学习
提出了一种不确定性感知的离线强化学习方法，同时解决了认知不确定性和环境随机性，能够学习风险规避策略并表征折扣累积奖励的整个分布。通过在风险敏感和风险中立基准测试中进行全面实验评估，证明了其卓越的性能。
- 通过基于物理信息的结构因果模型实现鲁棒的分布偏移下的符合性预测
通过使用物理信息的结构性因果模型 (PI-SCM) 来减小上界，我们验证了 PI-SCM 在置信水平和测试领域上对交通速度预测任务和多个真实世界数据集上的流行病传播任务的覆盖鲁棒性的提升。
- 关于具有有限样本复杂度保证的对抗学习的鲁棒优化
通过受支持向量机（SVM）边界启发，本文提出了一种新的对抗训练方法来提高鲁棒分类器对线性和非线性分类问题中不确定性的处理能力。我们通过数据驱动的视角来解释鲁棒性，并推导了二元和多类情景下线性和非线性分类器的有限样本复杂度界限。我们的算法通过