本研究提出了一种新颖的输入跳过的潜在二元贝叶斯神经网络（LBBNNs），旨在解决人工神经网络在解释性和不确定性评估方面的挑战。该方法简化了网络结构，降低了网络密度，同时保持高预测准确性，有效识别真实协变量。

本研究探讨了神经网络中的量化不确定性，填补了深度集成与贝叶斯神经网络之间的理论空白。作者证明深度集成实现了贝叶斯平均，揭示了先验分布对集成现象的影响，为深度集成提供了新的理解，可能促进未来模型的改进。

本研究提出了一种65纳米的贝叶斯神经网络加速器，集成了360 fJ/样本的高斯随机数生成器，旨在降低不确定性估计的计算开销。该加速器在边缘计算中实现了5.12 GSa/s的随机数生成吞吐量和102 GOp/s的神经网络吞吐量，显著提升了人工智能性能。

本文探讨了可解释人工智能（XAI）的最佳实践与挑战，指出现有深度学习模型解释方法的不足。研究提出了一种基于贝叶斯神经网络的新框架，量化了解释的不确定性，并开发了实用的拉普拉斯近似方法。通过系统调查，揭示了解释失败的复杂性，并提出了新的评价指标，以提高解释的可靠性和可理解性。

本文提出Stein混合推断(SMI)方法，解决了Stein变分梯度下降(SVGD)在小型贝叶斯神经网络中方差崩溃的问题，显著提升了高维稀疏数据的不确定性估计准确性。

本文探讨了基于深度学习的医学图像分割中的不确定性评估方法，提出了两阶段架构以生成不确定性测量，旨在提高分割质量和可靠性。研究表明，个体化评估方法和辅助网络有效，结合贝叶斯神经网络与注意机制的模型在准确性和可解释性上表现优异，增强了医疗图像识别的可靠性。

本文探讨了贝叶斯建模在医疗样本预测中的应用，强调其在高风险环境下提高模型可靠性的重要性。研究通过贝叶斯神经网络展示了减少误判和有效识别领域外患者的方法，并提出了基于不确定性引导的主动调查框架，以优化数据收集和提高模型训练效率。

该研究利用深度学习和贝叶斯神经网络预测行星系统的不稳定性，开发了ExoMDN模型以处理行星质量分布，并提出了cecilia光谱建模代码，克服了传统方法的局限性。此外，研究还通过机器学习探索月球表面反照率异常，优化了地幔对流模拟，并提出Disk2Planet工具以提高参数推断效率。

本文提出了一种贝叶斯物理知识推断神经网络（B-PINN）框架，结合贝叶斯神经网络与偏微分方程，旨在解决非线性问题并进行不确定性量化。研究表明，该方法在流体动力学、材料预测和应力建模等领域具有优越表现，能够提升预测性能和稳健性，优化材料参数，有效应对复杂工程问题。

本文探讨了深度学习在天文学中的应用，包括贝叶斯神经网络预测行星系统不稳定性、替代传统径向速度法的技术，以及改进的机器学习分类器在分类变星光变曲线中的表现。研究表明，机器学习提高了预测准确性和计算速度，解决了行星形成模型的计算瓶颈。

本研究通过使用特定的贝叶斯神经网络结构解决了数据稀缺情况下仿真基础推断方法易过拟合的问题。该方法在少量仿真的情况下能够获得经过校准的后验估计，尤其适用于处理成本高昂的仿真。

本研究提出了预处理的Crank-Nicolson算法，用于解决贝叶斯神经网络在宽度增长时采样效率低的问题。该方法在网络宽度增加时具有更高的接受概率，且能更有效地抽样后验分布。研究表明，该方法在有效样本量和诊断结果上具有显著优势，对实际应用具有重要影响。

本研究探讨了COVID-19疫情期间和疫情过后使用人工智能模型预测死亡率的性能、可解释性和鲁棒性。研究发现贝叶斯神经网络和智能训练技术能够保持模型性能。研究结果强调了开发鲁棒人工智能模型的重要性。研究还探索了模型可解释性和量化模型不确定性的重要性。研究倡导将科学优先纳入医疗人工智能研究，并确保人工智能解决方案在实际临床环境中具有实用性、益处和可持续性。

乔治亚理工学院的研究人员开发了一种名为RTNet的神经网络，能够模仿人类的决策过程。RTNet使用贝叶斯神经网络和证据积累过程来做出决策，与人类相似。实验证明RTNet在准确性、反应时间和信心模式上与人类表现相似。未来希望将RTNet应用到更多数据集上，减轻人类的决策负担。

该研究使用贝叶斯神经网络评估医学图像分割的不确定性，并提出了一种新的架构，超过了基准方法的七个任务。

介绍了一种新的确定性变分公式，用于训练贝叶斯神经网络的最后一层，提高预测准确率、校准度和离域检测能力。研究了与变分贝叶斯特征学习相结合的低方差崩溃变分推理方法。

研究发现，后验温度调整可以更好地反映新增训练样本信息的贝叶斯神经网络模型。先验常高估标签不确定性。

我们提出了使用神经采样器来近似复杂多模态和相关后验分布的隐式分布的方法，并介绍了一种新的采样器架构，通过可微的数值逼近解决计算问题。我们的实证分析表明，我们的方法能够恢复大型贝叶斯神经网络中层间的相关性，通过下游任务的实验，我们证明了我们的表达性后验优于最先进的不确定性量化方法，验证了我们的训练算法的有效性和学习出的隐式逼近的质量。

本文将神经网络中的乘性噪声重新解释为辅助的随机变量，并将其引入贝叶斯神经网络的变分设置中。通过使用这种解释，我们展示了通过采用标准化流来改进近似后验估计的高效性和简单性，同时仍允许局部重新参数化和可计算较低的下界。通过实验证明，基于这种新近似方法的贝叶斯神经网络方法在预测准确性和不确定性方面都有显著提高。

本文提出了一种新的回归框架，Gaussian process regression networks (GPRN)，结合了贝叶斯神经网络的结构特性和高斯过程的非参数灵活性。GPRN适应多个响应变量之间的输入相关信号和噪声相关性，具有输入相关的长度尺度和振幅以及重尾进行预测分布的特点。通过有效的马尔可夫链蒙特卡罗和变分贝叶斯推断过程，应用GPRN提出了多输出回归和多元波动性模型。在基准数据集上，GPRN的性能明显优于八个流行的多任务高斯过程模型和三种多元波动性模型，包括一个1000维基因表达数据集。