标签
本文推导了在硬预算下重复评估中诚实不确定性的精确理论界限，并将其应用于语言模型和智能体基准测试，展示了区间宽度和均方误差(MSE)的实际改进。
本文介绍了TAM-Chain，一种采用吸收马尔可夫链和香农熵进行不确定性量化的多尺度甲状腺细胞学分类方法，旨在抑制假阴性并适应域偏移。
本文提出了Slicing-Graphing-Alignment (SGA) 方法，用于量化时间序列基础模型中多步预测的不确定性，展示了优越的性能并揭示了一个经验缩放规律。
本文提出一种用于贝叶斯神经网络的全协方差平滑技术，通过在非线性激活中传播相关性以实现高效的在线适应，并在分类和控制等任务中得到验证。
本文提出了一种针对保形椭球体的尾部感知几何学习框架，该框架将尾部敏感性与覆盖保证解耦，从而改进了多变量设置下的不确定性量化。
本文结合迁移学习与保形分位数回归，以提高在孟加拉国因限电导致的数据稀缺条件下的太阳能光伏预测精度和不确定性量化，展示了与基线方法相比的显著性能提升。
本文研究了计算机辅助工程中神经代理模型的不确定性量化方法，比较高斯过程、蒙特卡洛Dropout和深度集成在工业数据集上的表现，以评估它们在各种工程背景下的性能。
本文开发了一种用于语言模型语义更新的随机词汇演算框架，定义了语言推导的概率支持有意义的序列表示状态的条件。实证实验验证了该框架在校准条件下的稳定性和覆盖性。
本文介绍了压缩活跃子空间（CAS），一种通过压缩参数空间来实现大型神经网络中可扩展贝叶斯推断的方法，同时保持预测性能。
本文介绍了pFedHGP，一种个性化的联邦学习方法，使用层级高斯过程对异构分布式系统进行概率建模，同时通过联邦变分推断保护隐私。
本文提出了一种用于图神经网络的变分贝叶斯最后层方法，以在分布偏移下进行在线节点分类，与基线相比，在准确性和不确定性校准方面表现优异。
本文提出用于标签偏移下保形预测的标签偏移调整贝叶斯分数，在分子性质预测中展示了更短的预测区间同时保持覆盖率。
本文介绍了物理信息一致预测 (PI-CP)，该框架将PDE残差嵌入到一致预测中，为傅里叶神经算子 (FNO) 等神经算子提供无分布、空间自适应的不确定性量化。
该论文提出了一种代理模型方法，用于高效估计信息物理系统在不确定性下的不一致响应面，从而支持敏感性分析和一致性修复的可扩展性。
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。