华盛顿大学研究者开发了LLMc，一种基于大型语言模型的无损文本压缩引擎，其压缩率优于传统工具。LLMc采用概率预测和排序编码方法，有效压缩文本，但在处理速度和应用范围上仍面临挑战。

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。

本研究探讨了二元分类评估的不足，提出从结果主义角度评估概率预测的有效性，并提出了一种新评估框架，推广Brier分数的使用，以解决临床评分规则的有效性问题。

本研究探讨了非地面网络中高效资源管理的挑战，采用概率预测方法分析资源分配，克服了传统预测的局限性。结果表明，几何概率预测模型能够有效优化资源分配，并提出了集成地面与非地面网络的应用场景和标准化路线图。

大型语言模型在推理上有局限性，尽管能生成连贯回复，但复杂推理任务易出错。这是因为模型基于概率预测而非确定性逻辑。研究者尝试通过思维链提示、自我批判机制和外部工具提升推理能力，但各有挑战。模型计算能力有限，需谨慎对待其输出。

本文研究了概率预测模型的校准方法，提出了直方图分箱、概率校准树和简化校准方法等技术，以提高分类器的准确性和可靠性。研究表明，这些方法在不同场景下有效降低校准误差，尤其适用于高风险决策中的概率估计。

本文探讨了支持向量机、深度学习和新兴概率预测方法在风能和光伏发电预测中的应用，研究表明这些方法能有效提高预测准确性，优化电力市场参与策略，并解决分位数交叉问题。

本文研究了多种评分规则在概率预测模型中的应用，发现对数评分规则在高不确定性下表现优越，而球形评分规则在低不确定性下更佳。同时，提出了排序概率得分（RPS）作为医学图像分级的性能指标，并探讨了偏标记学习策略及其鲁棒性，提出了新颖的部分标签学习框架以应对大规模数据的计算复杂度。

该论文介绍了一种整合了确定性和概率方法的天气预报模型，名为DGDM。通过训练确定性模型和概率模型，并利用确定性模型的预测结果作为概率模型的起始点，DGDM在全球和区域预测方面取得了准确且先进的结果。

该文介绍了一种新的自主系统多阶段概率预测路径的方法，使用深度特征聚类方法进行分布偏移，使用基于距离的排序建议进行轨迹生成和分配概率，相比传统方法更有效准确。

本研究提出了一种通过不确定性感知框架来推广预测的方法，能够减少传感器部署数量，生成包含不确定性量化的概率预测，以助于风险管理和决策制定。实验结果表明该方法在预测任务上取得了有希望的结果，并且不确定性量化结果与有和无历史数据的位置高度相关。同时，该模型能够在交通领域的传感器部署任务中，以有限的传感器部署预算实现更高的准确性。