本研究提出了一种改进的图像分类后置解释方法，使用Krippendorf's alpha量化可靠性，采用扰动样本和焦点损失函数增强鲁棒性和校准性。验证结果显示该方法在可靠性评估上取得显著改进，强调了模型鲁棒性的重要性。

贝叶斯较量提高深度神经网络准确性和校准性，深度集合提供近似贝叶斯无脊柱化的有效机制，研究模糊神经网络权重分布的函数先验，提供贝叶斯视角校准预测分布。

本论文研究了多语言预训练语言模型在问答任务中的校准性质，包括分布内、分布外和跨语言迁移设置下的校准情况，以及改进校准性的策略和技术。实验证明了自动翻译数据增强是提高模型校准性的高效技术，并进行了模型大小和多语言模型与单语模型的比较实验。

为了提高人工智能系统的可信度，研究者提出了一种新的训练策略，通过结合熵鼓励损失项和对抗校准损失项，提高样本在领域世界偏移下的校准性和适应性。该方法在不同的数据模式、数据集和网络架构上表现明显优于现有方法，具有技术上的可信度。