本研究提出了一种基于证据深度学习的新模型，旨在克服传统物理知情神经网络在不确定性量化方面的不足，提高对数据噪声的敏感性，并改善边界条件和预测不确定性的覆盖概率。

本研究在证据深度学习中提出了Re-EDL变种，通过将先验权重作为可调超参数，优化Dirichlet分布的期望，避免过度自信，提高预测性能。实验结果表明，该方法在不确定性估计方面表现优异。

该研究提出了一种结合证据深度学习与持续学习的方法，能够进行增量对象分类和越界检测，实验结果在CIFAR-100数据集上表现优异。同时，研究探讨了不确定性引导的学习框架，显著提升了社交事件检测和开放集识别的性能。

证据深度学习是地球系统科学建模的有力方法，可量化预测方差与模型不确定性，并通过敏感性分析解释预测。研究涵盖狄利克雷分布建模、随机集合卷积网络、Fisher信息重加权、贝叶斯分位回归等，在少样本分类、语义分割、OOD检测等任务中优于集成与MC-dropout，提升鲁棒性与校准性。