本研究提出了一种新的稀疏变分高斯过程(FMGP)，用于解决预训练深度神经网络(DNN)的后验不确定性估计问题。FMGP通过将高斯过程的均值固定为DNN的输出，有效拟合预测方差，实验结果表明其在不确定性估计和计算效率上优于现有方法。

本文介绍了一系列基于神经网络的近似贝叶斯计算方法，旨在提高高维问题的推断效率和准确性。研究利用模拟数据、性能度量标准、贝叶斯神经网络框架及混合模型等技术，解决后验不确定性估计的挑战，并在多个基准问题上取得了竞争性结果。

本文介绍了校准感知贝叶斯神经网络（CA-BNN）框架，结合数据独立和相关正则化优化贝叶斯学习。提出的校准鲁棒微调（CaRot）方法通过引入校准项和新型损失函数，提升了预训练视觉-语言模型的校准性和鲁棒性，实验结果表明该方法在多个基准问题上表现优越。