标签
本文介绍了传输共形校准（TCC），一种利用配对观测将共形预测校准从有标签源域迁移到无标签目标域的方法，通过无标签诊断确保覆盖率保证。
CUSP 是一个无需训练的框架，通过语义意见池化来量化多智能体多模态系统中的集体不确定性，相比基线方法提高了可靠性和准确性。
IXPLORE 是一种有界理想点估计算法，通过基于网格的不确定性量化，提升了政治数据分析中的重建和插补性能，尤其适用于稀疏响应的情况。
本文提出了一种用于配电网风险与异常识别的深度强化学习框架，利用不确定性量化来区分固有风险和分布外异常。
OutageDiT是一种用于停电预测的生成式基础模型，它采用Diffusion Transformer架构生成七天停电轨迹，提高预测准确度并实现向新区域的零样本迁移。
本文提出了EPA-CarbonNet，一个六层变压器架构，用于碳信用价格预测，融合市场数据和政策文本，但在标普碳指数数据上的测试结果参差不齐，随机游走在某些指标上表现更优，而方向准确性则很有希望。
AdaptNTK 引入了一个使用神经切线核的自适应不确定性量化框架，以实现神经网络势中的高效主动学习，在降低计算成本的同时保持分子动力学模拟的准确性。
本文提出了一种结合神经网络均值与精确Matérn kernel校正的方法，用于偏微分方程中的算子学习，在结构力学和OCO-2辐射传输模拟等公开基准测试中达到了竞争性或改进的性能。
本文提出了一种针对 Product-of-Experts 高斯过程模型的校准方法，用于修正过高估计的后验方差，增强不确定性量化能力，并提高对大型数据集的可扩展性。
本文提出了一种混合语义上下文增强的集成学习方法，用于风电功率爬坡事件预测，展示了相对于基线模型的小幅但统计上显著的改进，并采用不确定性感知评估。
本文提出了一种概率方法，用于端到端AI天气预报，通过增强Aardvark Weather模型，引入学习的观测噪声和Monte Carlo dropout，平均提高了4.2%的均值预报，并分离了偶然不确定性和认知不确定性。
本文提出了一种用于张量值几何学习中E3-等变不确定性量化的框架，通过矩阵指数化确保对称正定协方差，并提出了一种鲁棒的对数-欧几里得等变评分目标。
本文介绍了潜在后验对齐，以解释具有贝叶斯输出层的图神经网络中的不确定性减少，并提出了对齐引导学习来改善不确定性量化和模型校准。
SPARC 引入了一种贝叶斯-保形不确定性层用于运动预测，在 NLL 和组合标准上排名第一，并提供高效的、校准的不确定性估计。
本文提出了一种方法，通过构建分类器来预测响应正确性，以改进黑盒大语言模型的置信度估计。该方法以最小的计算开销超越了现有的零样本方法。
本文介绍了DRACP，一种共形预测方法，它统一多种适应机制，在分布偏移下提供可靠的经济预测区间，实现以更宽区间的校准。
本文提出RATTL，一个使用Wasserstein距离基于贝叶斯信念不确定性调整智能体谨慎程度的框架，用于安全序列决策，适用于基于LLM的系统。
本综述整理了多模态大语言模型中不确定性感知决策的研究，涵盖了不确定性的来源、校准方法，以及提高系统可靠性和安全性的行动。
本文介绍了一种数据驱动框架，结合监督分类和生成建模，用于重建多稳定动态系统中的分离子，利用神经网络和基于评分的生成模型来近似吸引盆的边界。
本文系统评估了基于回滚机制的不确定性感知解码，以改进大语言模型中的代码生成，并展示了使用不确定性信号相对于标准方法的性能提升。