迭代神经网络中的不确定性估计

提出了一种基于贝叶斯信任网络和蒙特卡罗采样的方法来对神经网络进行不确定性估计，适用于已训练好的结构。

研究提出了新度量标准，探讨模型复杂度与不确定度准确度之间的权衡关系，并验证了其有效性。

通过概率推理，能够在一次前向传播中估计模型的不确定性，验证了该方法在回归和图像分类任务中的效果。

提出了一种替代贝叶斯神经网络的简单实现方法，能够产生高质量的预测不确定性估计，并在不同数据集上进行了实验。

研究应用Bayesian概率框架对神经状态空间模型进行不确定性量化，得出可信区间和惊奇指数。

提出了一种新的数据不确定性估计方法，通过主动去噪处理观察数据，更准确地近似实际数据不确定性。

全面概述了神经网络不确定性估计，包括模型不确定性和数据不确定性，并讨论了实际应用中的挑战和未来展望。

研究了贝叶斯神经网络中的可学习不确定性对预测过程监控模型的影响，提高了用户对预测系统的信心。

探讨了深度神经网络架构与训练机制对选择性预测和不确定性估计性能的影响，发现ViT架构表现最优。