本文研究了深度学习中预训练对模型鲁棒性和不确定性预测的影响，提出了对抗性预训练方法和轻量级调节方法（NMTune），以减轻标签噪声对模型性能的影响。研究表明，预训练中的噪声虽然能提升域内性能，但会损害域外性能，强调了优化模型和理解噪声特性的必要性。

本文提出了一种新方法用于回归任务中的不确定性预测校准，结合直方图聚类和缩放校准，验证了其在COCO和KITTI数据集上的有效性。同时，研究探讨了风险评估和模型不确定性，强调在高风险应用中对机器学习模型的可靠性和不确定性评估的重要性。

本文提出了一种改进的随机梯度Langevin动力学（SGLD）算法，采用方差约减策略以加速非凸学习。研究表明，该算法在优化和不确定性预测方面表现优异，尤其在大规模不确定性估计任务中具有潜力。引入的交互轮廓随机梯度Langevin动力学（ICSGLD）采样器在计算效率上优于单链方法。

本研究提出了一种基于学习的方法，用于解决具有部分未知动力学的切换通信拓扑下的多智能体系统的跟踪控制问题。该方法借助基于高斯过程回归的关联感知协同算法框架，捕捉智能体间的相关性以进行不确定性预测。通过稳定性分析，分布式控制律确保跟踪误差有很高的概率界限。仿真实验证实了该协议在复杂情况下的有效管理，成为处理具有不确定动力学和动态通信结构的多智能体系统的鲁棒跟踪控制的有希望的解决方案。