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。

本文介绍了证据深度学习的新理论洞见，探讨了优化二阶损失函数和解释认知性不确定度度量的困难。通过实验，提供了对二阶损失最小化和认知不确定性度量的新见解。