本研究提出了一种基于贝叶斯深度学习模型的乳腺影像学BI-RADS评分预测方法。结果表明，该模型在BI-RADS 2、3和5类别中具有显著的预测性能，尤其在区分恶性与良性样本方面表现出高准确性和敏感性。

本研究提出了一种通过单次前向传播提升贝叶斯深度学习预测效率的方法，利用激活函数的局部线性化和线性层的高斯近似，成功应用于多层感知机和变压器模型的回归与分类任务。

本文提出了一种深度学习的不确定性评估框架，比较了集成方法和MC-dropout，发现集成方法更为可靠。研究探讨了贝叶斯深度学习在计算机视觉中的应用，提出了新损失函数以提高模型的鲁棒性，并展示了认知不确定性的实验结果。

本文研究了视觉-语言模型的置信度量化，提出了UNK-VQA数据集以提升模型对无法回答问题的弃权能力。通过评估多模态模型的不确定性，旨在增强AI系统的可信度，并探讨贝叶斯深度学习在计算机视觉任务中的应用，提出新的损失函数和框架以提高模型的鲁棒性。

本文探讨了通过不确定性估计和半监督学习提高医学图像分割准确性的方法。研究表明，结合解剖感知表示和贝叶斯深度学习可以有效评估分割结果的置信度，并在多个公开数据集上表现优于现有技术。

贝叶斯深度学习是将贝叶斯方法与深度学习相结合的新兴领域，解决了深度学习中的过度拟合和加权不确定性问题。它包括任意不确定性和认知不确定性两种类型，具有插值、直觉和语言等优点。未来，贝叶斯深度学习有望在小数据、批量学习和模型压缩方面取得进展，并在计算机视觉和自然语言处理等领域发挥作用。

贝叶斯深度学习（BDL）在深度学习研究中被认为是有前途的方向。本文介绍了BDL在不同环境中的优势和挑战，并探讨了将大规模基础模型与BDL结合的研究路径。

该论文提出了一种基于贝叶斯深度学习的视网膜层分割和不确定性量化方法，实现了端对端分割和像素级的不确定性度量。通过不确定性地图，可以识别出错误分割的图像区域，用于下游分析。该方法在视网膜图像分割方面具有可比或更好的性能，并且更加稳健抗噪声。

本文研究了贝叶斯深度学习和符合性预测在多类图像分类中的应用。研究发现，当模型缺乏信心时，符合性集合可能比简单预测集合的带外覆盖更差；而当模型过于自信时，采用符合性预测可以提高带外覆盖。研究结果还表明，将贝叶斯深度学习模型与拆分符合性预测相结合可能导致意外后果，如降低带外覆盖。

本文提出了一种基于师生模型的双不确定加权半监督分割方法，使用贝叶斯深度学习训练教师模型，设计了可学习的不确定性一致性损失以在预测和不确定性之间以交互方式进行无监督学习。实验结果表明，该方法在两个公共医学数据集上优于现有的基于不确定性的半监督方法。

本研究提出了一种新颖的方案，通过构建神经网络参数的低维子空间来解决贝叶斯深度学习中的计算复杂性限制。该方案通过Monte Carlo采样方法或变分推断实现了可行和可扩展的贝叶斯推断，为回归任务提供了可靠的预测和不确定性估计。