本文介绍了如何利用scipy.stats进行高效的概率建模和不确定性量化。通过冻结分布、蒙特卡罗模拟、参数扫描、重尾分布建模和自助法置信区间，数据科学家能够更好地应对业务风险和决策不确定性，简化模型设计，提高模拟效率，并准确评估极端事件。

本文研究了支持向量机（SVM）在预测中的不确定性量化，提出了稀疏支持向量分位回归（SSVQR）模型，以提高预测区间的质量，并通过特征选择减少高维数据集中的特征数量。实验结果表明，SVM在概率预测任务中优于现代深度学习模型。

本研究通过引入不确定性量化模块，显著提升了大语言模型对不确定性的捕捉能力，增强了幻觉检测性能和可靠性评估。

本研究提出了一种公平不确定性量化（FUQ）方法，以解决抑郁预测中的公平性问题。通过群体分析和优化策略，验证了该方法在视觉和音频数据集中的有效性。

本研究提出了一种蒙特卡洛时间丢失（MC-TD）方法，旨在解决深度学习模型在回归任务中处理时间序列数据缺失的问题，尤其是由于卫星故障或云遮挡造成的缺失。该方法提升了预测性能和不确定性校准能力，增强了地球观测中的不确定性量化。

本研究提出了一种综合框架，旨在解决大型语言模型在医疗应用中的不确定性量化问题，结合贝叶斯推断和深度集成方法，以增强用户信任。

本研究提出了一种基于图注意力的贝叶斯深度展开算法，旨在解决单光子激光成像在嘈杂环境中多目标处理的困难。该方法结合分层贝叶斯模型和神经网络，提升了成像的准确性和不确定性量化能力，实验结果表明其在复杂场景中的表现优越。

本研究针对大型语言模型在高风险领域应用中的不可靠性，提出了一种新的不确定性量化分类法，以提升模型的可信度，并揭示了不确定性的来源及提升可靠性的挑战。

本文研究了缺失链接预测方法，提出了新的加权矩阵分解、布尔矩阵分解和推荐矩阵分解，结合自动模型选择和不确定性量化技术，以提高链接预测的可靠性和准确性。实验结果表明，该方法在蛋白质相互作用网络中显著提升了预测性能。

本文探讨了人工智能透明性研究中缺失的基础概念，强调不确定性量化的重要性。研究表明，不确定性与反事实可解释性相辅相成，能够通过统一框架增强模型的可靠性和可理解性。

本文探讨了大语言模型（LLMs）响应的可靠性，提出了一种多维不确定性量化框架，结合语义和知识感知的相似性分析，通过生成多个响应和张量分解，提高了不确定性量化的准确性。

本研究提出了一种基于证据深度学习的新模型，旨在克服传统物理知情神经网络在不确定性量化方面的不足，提高对数据噪声的敏感性，并改善边界条件和预测不确定性的覆盖概率。

本研究探讨了单目深度估计中的不确定性量化问题，提出将五种不确定性量化方法与DepthAnythingV2模型结合。通过高斯负对数似然损失微调，研究实现了在保持预测性能的同时，提供可靠的不确定性估计，为机器视觉系统的安全应用奠定基础。

本研究探讨了地球观测产品不确定性量化的可靠性，提出了三个专门设计的基准数据集，以比较不同的不确定性量化方法。这些数据集涵盖回归、图像分割和场景分类等问题，促进了机器学习模型输出质量的准确评估。

本研究提出了一种基于符号回归的方法，成功识别出12种用于电催化的酸稳定氧化物，仅需30次迭代。该方法通过精确预测和不确定性量化，降低了遗漏潜力材料的风险。