标签
EnergyMamba提出了一种新颖的时空框架，将图增强选择性状态空间模型与自适应共形分位数回归相结合，实现准确可靠的能源消耗预测并给出不确定性估计，在佛罗里达、纽约和加利福尼亚的真实数据集上取得了性能提升。
本文针对SGLD-Gibbs发展了标度极限理论，为大规模潜变量模型中实现有意义的不确定性量化提供原则性的超参数调优指导。
本文提出了针对带动量和不带动量的随机梯度Langevin动力学（SGLD）的新离散时间近似方法，能够准确预测平稳协方差、迭代平均协方差和积分自相关时间。该方法为大样本不确定性量化提供了改进的调参指导，尤其在模型错误指定情况下。
本文提出了一种用于涡轮机预测的多任务科学机器学习框架，该框架使用共享序列编码器和任务特定头，联合预测发动机健康指标和剩余使用寿命，并量化不确定性。
本文研究大语言模型的不确定性与人类不确定性的相似程度，探讨LLMs在多个数据集上的对齐、校准和激活模式，以及指令微调的影响。
本文对五种用于神经网络预测涡轮燃气温度的不确定性量化方法进行了基准测试，评估了它们在覆盖范围、宽度和稳定性方面的权衡，以指导发动机的预测与健康管理。
本文介绍了CAGE，一种基于反事实图的多智能体LLM系统校准方法，在TriviaQA和MMLU-Pro等基准测试上进行了评估，涵盖了多种通信拓扑结构。该方法优于现有的事后校准和LLM引导校准方法。
介绍Conf-Gen，一个将共形风险控制适配到生成模型的框架，为大语言模型、图像生成器和AI智能体提供形式化的不确定性保证。
提出了一种数学上严格的框架——变分推断的深度证据学习（VI-EDL），通过变分推断重新表述传统深度证据学习，推导出证据下界，建立泛化界，并在视觉和医学数据集上实现了最先进的性能，以解决传统深度证据学习的局限性。
介绍了神经贝叶斯顺序路由（NBSR），这是一个将神经推理建模为有向无环图（DAG）上的顺序证据积累的框架，使用狄利克雷-分类共轭更新，实现了不确定性量化、早期退出和资源理性推理。
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。
本文介绍了一种新颖的不确定性感知PINN框架，用于从SAR数据进行洪水推理，通过动态放松噪声区域的物理约束来解决“物理冲击”问题。在Sen1Floods11数据集上评估，该方法实现了IoU提高25%，并为操作化灾害响应提供了校准的不确定性边界。
本文介绍了一种经验贝叶斯共形预测框架，该框架使用 r 值将评分变异性纳入非一致性得分中，从而提升排序稳定性并缩减集合大小，同时保持对视觉与语言模型的覆盖。
本文介绍了一种校准语言模型不确定性的方法，该方法从每层MLP更新轨迹中提取十一个尺度不变几何特征，并将其输入稀疏线性探测器，在选择性弃权条件下比MSP表现更好，AURC分数最高提升21点。
本立场论文认为，贝叶斯神经网络中基于采样的推理已在计算效率上与基于优化的方法持平，并即将取代后者，提供更优的不确定性量化和预测性能。
本研究评估了五种用于慢性肾脏病风险预测的机器学习分类器，发现近乎完美的内部性能在分布偏移下失效。强调在临床部署前需要校准稳定性和共形覆盖迁移。
PASC提出了一种用于多阶段NLP和LLM流水线的共形预测方法，该方法提供跨所有阶段的有限样本、无分布假设的联合覆盖保证，相比Bonferroni和独立CP等基线方法，实现了更高的经验覆盖率和效率。
这篇观点论文认为，当前大型语言模型的不确定性量化方法本质上属于无监督聚类，测量的是内部一致性而非外部正确性，因此无法检测出自信的幻觉。作者主张进行范式转变，将不确定性建立在客观真理之上。
提出了一种基于双层混沌融合的图卷积网络用于股市预测区间，在2016-2026年NSE数据上，相比基线模型，在Winkler分数、PIAW和PICP指标上取得了显著改进。
Njord是一种用于集合海洋预报的概率图神经网络，它提供不确定性估计，并在全球和区域基准上取得了最先进的性能，改进了海表温度预测。