evidential-learning

介绍了ELVAE，一种采用证据学习的VAE，通过正态-逆伽马后验对潜在坐标进行建模，以获得显式的不确定性估计。在MNIST上的实验表明，类内不确定性排序可以对合成样本的可靠性和压力测试进行分层，但结果需要按类别归一化，且在不同随机种子间存在差异。

Introduces Fast Evidential Rule Learning (FERL), a method for interpretable classification that produces evidential outputs and can abstain when uncertain, with theoretical stability guarantees and strong empirical results across tabular and concept-bottleneck benchmarks.

本文介绍了一种名为证据对抗训练（EV-AT）的方法，通过结合基于证据的损失与鲁棒证据对齐，改善了分类器的鲁棒性-不确定性权衡，在选择性分类基准上取得了最先进的结果。