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。

本研究探讨了机器学习模型在小数据集上进行不确定性校准的挑战。通过受神经科学启发的随机噪声预训练方法，研究表明该方法能有效提高神经网络的不确定性校准，使信心水平与实际准确性一致，并增强对未知数据的识别能力。

本研究探讨了多模态大型语言模型（MLLMs）在医疗和自主驾驶领域的不确定性校准挑战。通过构建IDK数据集评估模型在面对未知时的表现，发现MLLMs倾向于给出答案而非承认不确定性。研究提出了温度缩放和迭代提示优化等校准技术，以提高模型的可靠性。

该文综述回归模型不确定性校准研究，涵盖核嵌入、直方图聚类、缩放校准、归一化校准误差改进及贝叶斯校准等方法，并在COCO、KITTI等数据集上验证，表明这些方法能提升预测区间校准与鲁棒性。

该文综述目标检测中的边界框定位误差问题，涵盖单目三维检测、IoU预测、不确定性校准、噪声标签学习及回归损失改进等方法，旨在提升检测精度与安全性。

本文综述主动学习在医学图像分割中的不确定性校准与采样策略，涵盖dropout、边缘先验、对比学习、自监督聚类及多标注者变异性等方法，表明其能显著减少标注量并提升分割精度与效率。