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。

本研究探讨了扩散生成模型在偏微分方程神经算子中的应用，展示其在真实动力系统中的优势。通过贝叶斯神经网络和数据驱动模型，研究了不确定性处理和流动轨迹预测中的误差传播，并提出了适用于气候和人口动态学的新多层次随机模型。

本研究提出了多种基于深度学习的交通事故预测模型，包括图卷积网络、循环神经网络和贝叶斯神经网络，旨在提高事故预测的准确性和效率。通过分析人类轨迹和交通状态，模型有效捕捉社交互动和随机目标的影响，并在多个数据集上验证了其优越性能，为改善城市交通管理和安全提供了重要支持。

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。

本文探讨了贝叶斯神经网络（BNN）在对抗性攻击中的鲁棒性，提出了新算法以增强其防护能力。研究表明，BNN在数据分布退化时易受攻击，并通过实验验证了其在MNIST和Fashion MNIST数据集上的高准确率和鲁棒性。此外，提出了一种新的对抗训练框架，以提升模型在安全关键应用中的有效性。

本文提出了一种新的预测模型StableMiss，旨在解决缺失数据和协变量变化问题。通过双重参数技术和自适应线性回归模型，提高了预测的准确性和鲁棒性。同时，探讨了协变量转移下贝叶斯神经网络的性能及其改进方法，强调了不确定性量化的重要性。

本文提出了一种基于Chernoff-Cramer Bounds的概率认证方法，以提高机器学习模型在对抗性攻击下的鲁棒性。实验结果显示，该方法在多个数据集上显著提升了认证率和准确性。同时，研究探讨了贝叶斯神经网络的对抗训练，首次实现了可证明的鲁棒性，适用于安全关键应用。

本文研究了贝叶斯神经网络（BNNs）中的不确定性估计，提出了改进的近似后验分布和推理方法，克服了传统方法的局限性。实验结果表明，所提方法在模型稀疏性和预测精度上优于普通BNNs，有效样本量可提高50倍。

本文探讨了利用深度学习通过限价单簿数据预测股票价格的方法。研究表明，微观结构特征对预测效果有显著影响，并提出了一种新的评估框架。通过多种深度学习模型的实验，发现合适的特征和模型选择能有效提高价格变动的预测准确性。此外，研究还应用了贝叶斯神经网络和Hawkes模型，进一步提升了预测的准确性和利润。

本文探讨了基于注意力机制的神经网络和元学习算法在材料科学中的应用，重点是通过贝叶斯神经网络进行材料失效寿命预测和不确定性估计。研究还提出了混合模型和深度学习在复杂系统中的应用框架，以提高预测的准确性和可靠性，展示了机器学习在材料性能预测中的潜力。