该研究提出了一种不确定性指导的粗到细肿瘤分割框架，应用于胸部CT图像。该方法结合全体积肿瘤定位与细化分割，通过解剖意识后处理提高分割准确性，减少误报，增强空间可解释性，展示了不确定性建模与解剖信息结合的价值。

本研究提出了一种新方法REPEAT，旨在解决表示学习中不确定性建模不足的问题。该方法将每个像素视为伯努利随机变量，从而提高了像素的重要性和确定性估计，增强了对分布外数据的检测能力。

本文探讨了利用贝叶斯框架和深度学习技术提升自动驾驶车辆轨迹预测的准确性与安全性。研究提出了风险感知轨迹预测框架和新颖的采样方法，显著提高了复杂环境中的预测性能，解决了不确定性建模问题，为自主驾驶提供了更可靠的解决方案。

本研究提出了多种深度学习方法用于胎盘和胎儿超声图像的分割，包括UPI-Net、BRAU-Net和MiTU-Net，强调了迁移学习和不确定性建模的重要性。这些方法在提高分割精度和减少计算量方面表现优异，展示了医学图像分析的应用潜力。

本文探讨了卷积神经网络（CNN）在三维重建中的不确定性建模，结合异方差噪声模型和贝叶斯推理，提升了扩散MR脑图像的重建性能。研究强调了不确定性在健康与病态大脑重建中的重要性，并提出了多种新方法以提高图像重建的准确性和鲁棒性。

本文提出了一种新方法，通过贝叶斯学习对神经常微分方程（NODE）中的不确定性进行建模，自动化模型选择，并引入ALT-NODE模型以实现每个数据点独特的后验分布。研究表明，该方法在合成数据和图像分类中表现良好，提升了模型的鲁棒性和不确定性建模能力。

本文介绍了一种深度条件变换模型，用于学习条件累积分布函数，结合可解释模型与复杂神经网络。研究探讨了深度学习在金融预测中的应用，并提出了低可信度预测的摒弃机制。同时，讨论了使用卷积神经网络进行不确定性建模的方法，展示了其在小数据集上的优越性能。

本研究利用CARLA模拟器开发合成数据集，创建短期轨迹预测模型，以提升自动驾驶汽车在复杂场景中的表现。模型结合场景识别和不确定性建模，能够准确预测动态人群中的自行车轨迹。此外，研究展示了基于图卷积的框架和深度合奏网络，进一步提高了行人意图预测的准确性和鲁棒性。

本文介绍了多种基于神经网络的3D场景重建方法，旨在解决室内场景重建中的误差问题。通过不确定性建模和重要性引导采样等技术，提升了细节重建效果。实验结果表明，这些方法在复杂场景的重建和编辑方面优于现有技术。

本文探讨了不确定性建模在视频动作识别和事故预测中的应用，提出了多种模型和方法，包括基于视频级标签的识别模型、背景帧检测和事故预测模型。研究表明，这些方法在多个数据集上表现出优越的性能，有效提高了预测的准确性和鲁棒性。

该论文综述了深度神经网络在机器学习中的应用，特别是在安全性决策领域。研究了可解释性人工智能（XAI），提出了提高模型解释稳健性的方法和框架，探讨了不确定性建模的挑战，并提出了新的可解释性学习方法，以增强深度学习模型的可解释性和抗干扰能力。

本文研究了大型语言模型（LLM）在互动环境中的应用，提出了KG-Agent框架以提升推理能力，并通过实验验证其在复杂任务中的有效性。同时，介绍了AdaPlanner和KwaiAgents等方法，强调开放式行为学习和不确定性建模对提高代理性能的重要性。

该文综述基于神经距离场的三维重建研究，涵盖室内场景、动态物体、手物联合及航拍立面等方向。方法结合有符号距离场、表面光场与立体匹配，通过不确定性建模、语义与几何正则化提升复杂拓扑和低纹理区域的重建鲁棒性与细节精度，并支持物理模拟、新视角合成和场景编辑。

该文综述混合专家（MoE）模型研究进展，涵盖AdvMoE对抗训练框架提升CNN鲁棒性并降低推理成本，新门控结构、uMoE不确定性建模、MoDE专家互蒸馏等方法增强专业化与泛化能力，理论证明MoE可分解复杂问题且比密集网络更抗攻击，以及HyperMoE、单门异步训练、GMoE图网络和鲁棒问答等应用拓展。

该文综述情感识别中的不确定性建模，涵盖贝叶斯训练损失、证据不确定性、深度集成与自蒸馏等方法，以处理标签模糊和缺失。这些方法在语音、文本和面部表情任务中提升了分类与不确定性估计性能，部分结合多任务与数据平衡取得领先结果。

混合密度网络（MDN）广泛用于多模态预测。研究提出AR-MDN、XRMDN、图混合密度网络等变体，结合图结构、循环网络与高斯混合，提升在线零售、出行需求、姿态估计等任务的预测精度与不确定性建模能力，并扩展至分层分类与空间回归。

该文综述贝叶斯强化学习进展，针对高维状态转移中不确定性建模的计算难题，提出乐观Actor-Critic、Wasserstein Actor-Critic、贝叶斯探索网络BEN及PACER等算法，利用置信区间、Wasserstein重心、归一化流和推进算子提升探索效率与采样性能，并在MuJoCo等连续控制任务中验证优于现有方法。

该文综述多种贝叶斯个性化联邦学习方法：pFedBreD用Bregman散度约束建模异构数据；pFedGP用高斯过程与深层核学习共享核；BPFL量化客户内外不确定性；DFedAlt采用分散部分模型训练；PFA利用稀疏表示分组客户端；FedPop将个性化学习视为种群建模；分层贝叶斯变分推断捕捉公共趋势；pFedBayes以权重不确定性缓解过拟合；另有注入个性化先验及DyPFL考虑训练意愿差异的方法。