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。

本文提出了一种基于图神经网络的节点分类不确定性感知学习框架，通过分布鲁棒优化提升节点嵌入学习的鲁棒性。研究表明，该框架在噪声条件下的预测性能优于现有方法。同时介绍了DEGNN、Feature Propagation和GREET等新模型和方法，在图机器学习中表现出显著的性能提升。

本文探讨了大型语言模型（LLMs）在回答问题时的性能提升方法，包括不确定性感知能力和重述与回答（RaR）策略。研究表明，通过优化提示和对抗性问答基准，LLMs能够更有效地处理复杂问题并提高准确性。此外，模型在面对质疑时的判断一致性也受到评估，提示语气对结果有显著影响。这些研究为教育领域的评估任务提供了重要支持。

本文介绍了一种新方法，结合大型语言模型（LLM）和不确定性感知模块，为生成答案提供置信度评分。研究表明，通过高效微调，LLM在多个基准数据集上超越了现有算法，并提出了一种基于扰动的不确定性估计方法，量化答案的置信度。这一方法在提高模型的准确性和可解释性方面具有重要意义。

本研究提出了一种新颖的不确定性感知搜索框架（USeMO），通过多目标黑盒优化提高评估效率。实验结果表明，USeMO在多个基准问题上优于现有算法。同时，贝叶斯优化在高维度和复杂问题中表现出色，能够有效优化昂贵的黑箱函数。研究还提出了稳健贝叶斯优化算法AIRBO，能够处理输入不确定性并实现优异性能。

本文探讨了动作质量评估（AQA）的多种方法，包括多任务学习、渐进自适应多模态融合网络和多阶段对比回归框架。这些方法通过结合视觉和音频信息、知识转移和不确定性感知评分模型，显著提升了评估性能。研究表明，细粒度特征和阶段性处理对AQA效果至关重要。

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。