本研究提出了一种不确定性感知层次注册网络，旨在解决图像与点云注册中的关键特征忽视和域间差异问题。通过不确定性感知层次匹配模块和对抗性模态对齐模块，实现了多层次特征融合。实验结果表明，该方法在图像到点云注册任务中表现优异。

本研究提出了一种不确定性感知的政策优化框架，旨在解决模型基强化学习中的策略学习偏差问题。通过主动收集不确定样本以提高模型准确性，实验结果表明该方法在机器人操作和Atari游戏中优于现有技术。

本研究提出了一种新型双层主动推断架构，旨在改善建筑和社区的能源管理，解决工程应用中的不足。研究结果表明，该模型在应对突发变化时表现优异，为隐私保护和不确定性感知提供了新机遇。

本研究提出了一种适应性方法，以提高蛋白质-蛋白质相互作用分析的可靠性，增强计算生物学的可信度，为精准医学和生物医学研究提供了重要潜力。

本研究提出了一种新的类不平衡跨域分布外检测方法（CCOD），通过不确定性感知自适应语义对齐网络（UASA）构建标签驱动的原型，显著提升了检测性能，实验结果表明其优于现有方法。

本研究提出了一种新框架，通过多视角遥感影像结合异方差回归和贝叶斯建模，改进社会经济状况估计中的不确定性感知。实验结果表明，该方法优于传统RGB模型，有助于识别预测不确定性并指导未来的数据采集。

本研究提出了一种快速且具不确定性感知的解释方法，结合了ConformaSight的扰动技术与校准解释的核心元素，显著提升了机器学习模型在高风险实时应用中的计算效率。

本文提出了一种轻量且统计鲁棒的框架，旨在改善6D姿态估计中的视觉坐标自适应预测的不确定性感知学习。研究通过深度神经网络和蒙特卡洛Dropout等技术，提高了姿态估计的准确性和可靠性，解决了增强现实环境中的姿态估计挑战，并引入PoseBench基准以评估模型的健壮性。

本文介绍了一种无需奖励的强化学习算法，通过不确定性感知的内在奖励来探索环境，并通过不同样本的不确定性加权学习处理异质性不确定性。实验结果表明，该算法在DeepMind Control Suite的各个领域和任务上的性能优于或与现有的无监督强化学习算法相当。

该研究提出了一种不确定性感知的离线强化学习方法，解决认知不确定性和环境随机性，学习风险规避策略。实验评估证明了该方法的卓越性能。

该文章介绍了名为MUSES的多传感器语义感知数据集，用于自动驾驶。数据集包括2500张图像，捕捉了多样化的天气和照明条件，并使用了多种传感器。该数据集引入了新任务——不确定性感知全景分割，并提供了标准的语义分割和全景分割。该数据集为多模态和不确定性感知的研究提供了新途径。

该研究提出了一种基于不确定性感知的交通预测框架，能够量化不同来源的不确定性，并利用预测集的估计不确定性来筛选出足够包含信息内容的数据集。80%以上的交通数据可以被删除，剩余20%的样本对于训练模型具有相同的预测能力，证明了该方法在评估大型交通数据集的实际信息内容方面的价值。