本研究提出了一种新方法，解决了可解释人工智能框架中对预测不确定性忽视的问题。通过使用比例Shapley值，将预测不确定性归因于输入特征，从而提升高风险机器学习应用的理解与沟通效果。

本研究分析了医疗图像AI模型在不同患者特征下的预测不确定性与公平性，量化了模型在皮肤病变分类中的表现，并提出了新的公正性度量，以增强临床AI的信任度与公平性。

本研究探讨高维机器学习模型预测不确定性的解释，提出利用概念激活向量来增强模型的局部和全局可解释性，从而提升信任度。

本研究探讨了在风险敏感领域（如医学）中量化预测不确定性的方法，提出通过预测集将不确定性与风险规避决策相连接。研究发现，风险规避决策者应采用简单的最大-最小决策政策，以在医疗诊断与推荐系统中实现安全性与效用的最佳平衡。

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。

本研究提出了一种基于预测不确定性的方法来识别AI生成的图像，发现高不确定性的图像可能为AI生成，从而为图像检测提供了新策略。

本文提出了一种结合高斯过程和主动学习的非线性非参数状态空间模型的贝叶斯方法，旨在优化多输出高斯过程模型的预测不确定性。通过变分推断和稀疏高斯过程，提升了模型选择和预测准确性。同时，探讨了多输出高斯过程在迁移学习中的应用，并提出正则化框架以提高知识迁移效率。

本文探讨了深度神经网络中预测不确定性和敏感性的高效估计方法，提出了多种模型和框架以提高不确定性感知的可靠性，尤其在医学和金融领域的应用。研究表明，改进算法和框架能够有效量化不确定性，支持基于风险的决策。

本文研究了大型语言模型（LLMs）在上下文学习中的标签偏移现象，提出了一种生成校准方法，显著提升了文本分类性能。研究表明，黄金标签对上下文性能影响显著，而不平衡标签的影响较小。通过元上下文学习，LLMs能够适应性地调整学习策略，展现出与传统学习算法相当的性能。此外，研究还探讨了上下文学习中的预测不确定性，并提出了新的量化方法。

本文提出了一种结合网络结构的协方差测量方法，用于重建有向网络链接，旨在提高多元时间序列数据的功能连接网络推断、分散式传感器网络方案及非高斯状态空间模型的过滤方法的网络参数识别和预测不确定性的准确性。

本研究通过研究两种自适应激活函数，填补了分类准确性和预测不确定性的空白。结果显示，个体训练参数的自适应激活函数能够产生准确且自信的预测模型，优于固定形状激活函数和相同可训练激活函数的方法。提供了设计自适应神经网络的简洁方法。

本研究探讨了两种自适应激活函数对分类准确性和预测不确定性的影响。结果显示，个体训练参数的自适应激活函数能够产生准确且自信的预测模型，优于固定形状激活函数和使用相同可训练激活函数的方法。研究提供了设计自适应神经网络的简洁方法。

Perceiver模型准确度高，但忽略了预测不确定性和校准。通过Uncertainty-Aware Perceivers的五个改进，性能显著提升。

本文研究了稀疏深度学习与依赖数据的理论，提出了稀疏循环神经网络能够正确量化预测的不确定性，并能够一致地识别时间序列数据的自回归阶数。该方法在金融、医疗和能源等领域具有重要的实际意义。

本文研究了实例分割中的预测不确定性问题，提出了结合空间和分数的确定性分数来提高校准估计。实验结果证明了深度集成技术和径向聚类方法的有效性，强调了评估估计确定性的校准对模型可靠性和决策制定的重要性。

本文提出使用主观逻辑的理论来明确建模确定的预测不确定性和未知类别样本预测的忽略现象，并通过预测 Dirichlet 浓度参数来实现综合的主观意见。实验证明该方法在量化不确定性源和处理灵活识别方面有效。