标签
该论文将经典统计估计器改编到深度学习中，用于将认知不确定性溯源至偶然不确定性和数据稀缺来源，并利用近似费雪信息矩阵实现可扩展性。
本文提出了一种将不确定性统一定义为逐点后验风险的方法，并引入了一个有理论支持的基准，利用半合成数据集直接计算神谕认知不确定性和偶然不确定性，从而超越代理任务实现细粒度评估。
本文介绍了Hybrid-to-NeSy (H2N)框架，该框架系统地将混合机理-数据驱动模型转化为神经符号人工智能设计，从而能够推导出结构违规率和信念离散度等指标，作为机理部分认知不确定性的度量。
本文介绍了赫克曼校正的认知不确定性，以解决机器学习中不可观测变量的选择问题，展示了当选择依赖于与结果相关的不可观测变量时，重要性加权会失效。该方法在受控实验和真实数据上恢复了校准性能，优于标准的不确定性量化基线。
本文介绍了'Affectosphere'的概念，并认为由于不可约化的不确定性，情感AI无法完全确定个体情绪的意义，从而产生了'affective sovereignty'的规范，即体验主体保留最终的解释权。
本文探讨了大语言模型在结构化临床数据上无法识别自身知识局限的问题，提出了一种跨模型归因差异方法来检测认知盲点。该方法结合少样本示例和 SHAP 衍生的特征证据，无需训练即可改进校准性和准确性。
本文提出了一种用于在线强化学习的分位数贝叶斯风险感知MDP框架，该框架能够随时间自适应地平衡鲁棒性与探索，提供了理论遗憾界并展示了强大的实证性能。
本文研究了Neutrosophic Logic作为大语言模型中认知状态建模的框架，证明了它能够捕捉超越传统概率约束的'hyper-truth'状态，从而带来更透明、更具伦理意识的AI系统。
本文开发了一种用于测试时自适应的PAC-贝叶斯框架，该框架使用MMD球作为信度集，提供了形式化的泛化界，并在分布偏移下区分认知不确定性与偶然不确定性。
本文介绍了GOEN，一种结合多尺度特征、L2归一化和马氏距离的OOD检测流水线，并发现CenterLoss正则化虽然提高了分类准确率，但实际上会降低OOD性能。
MIT研究人员开发了一种新方法，通过衡量相似模型间的跨模型分歧来识别过度自信的LLM，而非仅依赖自洽性指标。该方法能更好地捕捉认知不确定性，并在高风险应用中更准确地识别出不可靠的预测。