本研究提出开放世界图助手（OGA），旨在解决开放世界场景中的数据不确定性问题，特别是有限标记和未知类别节点的处理。OGA结合自适应标签追踪，将语义与拓扑相结合以拒绝未知类别，并通过图标签注释器实现模型更新。实验结果验证了OGA的有效性和实用性。

本研究将用户兴趣视为潜在空间中的随机过程，以应对会话推荐系统中的数据不确定性、流行度偏差和曝光偏差。实验结果表明，该方法有效减轻了这些偏差。

本文提出了一种基于Margin的Token级和句子级目标方法，以改善机器翻译模型的性能。研究评估了数据不确定性对翻译搜索策略的影响，并提出了重新校准方法，从而提升了模型的准确性和翻译质量。

本文全面概述了神经网络中的不确定性估计，包括模型和数据的不确定性。探讨了不同方法建模不确定性及其在实际应用中的挑战，提出了新度量标准，并分析了模型复杂度与不确定度的关系，验证了其有效性。