本研究提出了一种贝叶斯预测编码（BPC）方法，克服了传统预测编码在量化认知不确定性方面的局限性。BPC通过估计网络参数的后验分布，实现了快速收敛和有效的贝叶斯学习。

本研究提出了一种新方法，区分主动学习中的认知不确定性与固有不确定性。该策略结合概率论和可能性理论，在多类和二类分类问题中表现优异，适用于模拟和实际数据集。

本研究提出了解决宽度神经网络训练中观测噪声和认知不确定性问题的新方法，并通过实证评估验证了其有效性。该方法为神经网络的训练流程提供了新的视角和工具。

基于实验研究，发现证据深度网络产生的认知不确定性在某些情况下违反预期，引发了对其准确性的质疑。提出了一种名为冲突损失的深度集成正规化函数，满足认知不确定性的要求，且不影响深度集成的性能和校准性。

该研究提出了一种不确定性感知的离线强化学习方法，解决认知不确定性和环境随机性，学习风险规避策略。实验评估证明了该方法的卓越性能。