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。

本文介绍了在贝叶斯学习框架下量化神经普通微分方程权重不确定性的方法。在MNIST数据集上，使用GPU加速的多种推理方法成功集成了神经ODE。首次展示了变分推理与标准化流和神经ODE的结合，生成了强大的贝叶斯神经ODE。最后，展示了如何利用常微分方程识别动力系统中的模型规范，为探索不确定性提供科学工具。

该文章介绍了一种通过贝叶斯学习的视角考虑深度神经网络的对抗训练的方法，并提出了一种具有可证明保证的贝叶斯神经网络（BNN）的对抗训练的原则性框架。该方法在MNIST、FashionMNIST和CIFAR-10上训练出可证明鲁棒性的模型，并用于不确定性校准。这是第一次直接训练可证明的BNN，可在安全关键应用中部署。

本文介绍了一种基于贝叶斯学习的对抗训练方法，提出了可证明保证的贝叶斯神经网络框架。该方法在MNIST、FashionMNIST和CIFAR-10数据集上训练出鲁棒性模型，并用于不确定性校准。这是第一次直接训练可证明的BNN，有助于在安全关键应用中的部署。

本文研究了IT基础设施的自动化安全响应，将攻击者和防御者之间的交互形式化为非稳定游戏。通过估计模型的概率性猜想，捕捉基础设施和玩家意图的不确定性，利用贝叶斯学习和回滚的方法在线学习有效的游戏策略，并提出了一种变体来刻画游戏的稳态。通过高级持续威胁的使用案例展示了方法的有效性。模拟研究表明，该方法能够产生适应不断变化环境的有效安全策略，并实现更快的收敛。

该论文提出了一种基于贝叶斯学习的医学图像多模式群组注册的通用框架，通过概率建模图像生成过程中的公共解剖结构和几何变化，利用贝叶斯推理实现了群组注册。论文提出了一种新颖的层次化变分自编码架构，可以以数学可解释的方式计算注册参数，通过无监督闭环自重构过程实现群组注册，并且这种架构具有计算效率高、可扩展性强的特点。实验证明了该框架的优越性，包括准确性、效率、可伸缩性和可解释性。

本研究提出了一种平衡公平性和实用性的机器学习分类任务的解决方案，通过利用贝叶斯学习估计样本预测的不确定性，并通过不确定性量化来定义新型的公平性 - 效用目标，实现同时优化公平性和实用性。实证研究发现，低不确定性的样本比高不确定性的样本更准确、更公平。实验结果表明，该方法在公平性和实用性平衡方面表现优异，并有望在机器学习中实现最佳公平性和实用性。

本文提出了一种新的方法，通过考虑ODE求解器的终止时间T上的分布来模型化神经ODE中的不确定性，并采用贝叶斯学习从数据中获得T的后验分布，实现模型选择的自动化。通过实验在合成数据和现实世界图像分类数据上取得了较好的效果。

本文证明了变分推断在GARCH-like模型中是一种可靠且具有竞争力的贝叶斯学习方法，相比蒙特卡洛采样更为精确可行。

本文介绍了发展心理学中的核心知识，包括四个系统和第五个系统，这些系统深深扎根于人类的系统发育和本体发育中，并指导和塑造着成年人的精神生活。建构主义认为知识是作为理论结构化的，并由概率学习/推理指导。因果模型、贝叶斯学习机制和理论理论提出了一种基于概率因果模型和贝叶斯学习的计算框架，适用于16个月至4岁的儿童。无论哪种理论，认知抽象的论证都必须遵循一定的规则。