本研究提出了一种保形风险控制框架，旨在解决图像标题评估指标的局限性，特别是对单个词错误的细粒度评估和不确定性校准，从而显著提升了CLIPScore的可靠性。

本研究提出了一种随机噪声预训练方法，旨在解决小数据集训练中机器学习模型的不确定性校准问题。该方法显著提升了神经网络的识别能力，并改善了信心水平与实际准确性的匹配。

本文介绍了一种基于贝叶斯学习的对抗训练方法，提出了可证明保证的贝叶斯神经网络框架。该方法在MNIST、FashionMNIST和CIFAR-10数据集上训练出鲁棒性模型，并用于不确定性校准。这是第一次直接训练可证明的BNN，有助于在安全关键应用中的部署。