标签
该论文介绍了 EDB-Bio，这是一个包含 9.6 万个回合、涵盖三个生物学领域的科学证据审议基准。结果表明，前沿模型和开放权重模型普遍倾向于置信度不足（布里尔分数接近仅依据基础发生率进行预测的简单模型），而使用适当评分规则进行后训练可改善校准，由此得到的 Ibis0 模型在序贯实验选择中的效率达到最佳前沿模型的 2.5 倍。
提出一种面向救护车行程时间估计的不确定性感知方法，通过生成上下文自适应的预测区间来支持更透明、更风险敏感的紧急医疗调度决策，并在瑞典Skåne地区两年的真实救护数据上进行了回顾性评估。
本文识别并形式化了“推理时模型偏移”——一种由量化、温度等推理配置的变化而非数据分布变化引起的共形分数分布变化——并通过对8个语言模型和4个有限标签基准的研究表明，这种偏移会破坏分割共形预测的可交换性假设，并导致对部署时覆盖率的高估。
一场设计讨论，探讨智能体何时应合并两个缺少共享快照的只读工具的读数，以及在给出附带限定条件的可用性估算与单独报告读数同时保留不确定性之间，应遵循怎样的响应契约。
该论文提出"机制不确定性"概念，通过因果稳健性边际（causal robustness margin）量化大语言模型内部机制的稳定性，在多个开源模型与问答数据集上验证其对幻觉与不确定性检测的补充作用。
本文提出结合蒙特卡洛 dropout 不确定性量化的条件生成对抗网络数据增强框架，用于 Hawk T1A 飞机结构健康监测的合成信号生成与损伤分类，并与实验测量数据进行多维度比较验证。
论文提出 L-SplineFNO，一种将 FNO 主干与稀疏可学习张量积 B 样条传输耦合的内存高效神经算子，用于在非结构化网格上近似 PDE 解算子，在六个三维工程基准上实现高精度并可扩展至 4600 万节点，还支持零样本超分辨率和基于 Bernstein 凸包与 Taylor 模型的严格预测界。
提出不确定性感知评分准则加权（URW）框架，通过共形校准量化大语言模型评估中各项评分标准的判断不确定性，并加权聚合为奖励信号，显著提升成对偏好判断的准确率及下游强化学习对齐效果。
提出选择安全的共形提前退出方法，通过终端路径分数与单一分割共形分位数校准，在数据依赖的自适应深度选择下仍保持无分布假设的覆盖保证，无需 α/L 修正，并在 CIFAR-100/ImageNet 等任务上验证了路径选择相比朴素逐层选择的覆盖优势。
该论文提出了一种名为“共形自适应”（Conformal Adaptation）的框架，通过共形风险控制在低分辨率下认证预测信号，再对已认证区域进行精细化计算，从而在 3D 医学图像分割、星系流量预测和钙信号预测等任务上实现 2.5–72 倍的墙钟时间加速，同时保留不确定性估计。
该论文提出了多层粒子边缘Metropolis-Hastings（MLPMMH）方法，通过伪边缘推断与跨网络宽度截断层级的耦合SMC相结合，实现分层贝叶斯深度学习中参数与超参数的联合推断，并在理论上证明了O(ε²)的均方误差与O(ε⁻²)的计算复杂度，同时给出可扩展的近似版本S-MLPMMH用于MNIST实验。
本文提出了大语言模型中的机制性不确定性，该概念通过使用概念引导向量测量的因果鲁棒性边界来定义，并表明错误回答对内部干预更为敏感，而学习到的事实则获得了更高的鲁棒性。
本文提出了稳健、自适应的朗之万蒙特卡洛方法（R-LMC、A-LMC、RA-LMC），能够处理广义光滑性和状态依赖的重尾噪声，在无需耗散性假设的情况下建立了费舍尔信息收敛保证，并展示了对大语言模型和视觉语言模型进行贝叶斯微调的有效性。
该论文提出U-Space，一种低维子空间方法，通过将"怀疑"与"确定"语义锚点映射到残差空间，实现对语言模型逐token的可解释不确定性量化，无需标签、重复采样或额外训练，并在推理基准上优于现有基线。
这篇论文通过分层诊断研究，探讨了交通预测精度的提升为何未能改善信号控制决策。研究发现，预测的价值取决于时间可观测性、动作可识别性、动力学一致性以及目标对齐，并据此提出了一套实用的诊断协议。
U-Space 引入了一个低维子空间，用于在语言模型中量化和解释不确定性，通过将代表怀疑与确定的语义锚点映射到残差空间来实现。无需训练的 U-Lens 能够生成 token 级别的不确定性图谱，在推理基准上超越了基线方法，即使在长度受控的评估条件下依然如此。
本文提出了阈值感知保形路由（Threshold-Aware Conformal Routing，TACR）方法，该方法学习与输入相关的区间尺度，以判断神经代理模型何时可以替代昂贵的科学模拟器，在保持无分布边际覆盖保证的同时，将模拟器的回退调用次数减少了14%至75%。
OmniMed-Jev 将医学 LVLM 的输出重构为在运行时提供的候选集合上的分布，在保持点预测性能相当（计数任务除外）的同时，相比生成式基线将校准误差降低最多一个数量级，可靠性误差降低两倍。
本文研究在少样本工业异常检测中，需要多少正常样本（图像或类别）才能为受误报率约束的阈值提供认证。作者使用冻结的 DINOv2 PCA 残差排序器，在 MVTec 和 VisA 上表明，仅基于目标类别的标定对分布偏移非常脆弱；随后推导出在 i.i.d. 类别条件下获得有效无分布 95% 上置信界所需的类别数下界（14–59 次抽样）；最后提出了 CRESS 协议，该协议在仅有少量认证类别时会大幅退化为拒绝输出（fail closed）。
该论文提出一种框架，通过用Beta分布建模来保留每位专家的区间标签，并将预测不确定性分解为区间内、专家间和模型三部分成分，同时使用分解匹配技术对齐这些成分。在海冰浓度数据上，该方法将平均绝对误差（MAE）相比硬标签基线降低了31%，并将与专家间差异的相关性提升至0.500。