本研究提出了一种新方法，将不确定性估计技术融入反事实解释中，以提高其真实性。结果表明，传统方法显著降低了预测误差，增强了反事实的科学价值，特别是在处理不符合分布的数据时，突显了其在可解释人工智能中的重要性。

本研究提出了一种新的双思维世界模型（DMWM）框架，旨在解决现有模型在长期想象任务中的预测误差问题。DMWM通过整合逻辑推理，提升了想象过程的逻辑一致性和样本效率，实验结果显示其在多个方面显著优于现有技术。

本研究探讨了在统计分析中处理机器学习预测误差的问题，提出了一种适用于非均匀样本的自助法置信区间。该方法在不依赖机器学习模型质量的情况下，能够有效生成置信区间，且其宽度不超过传统方法。

本研究提出了一种统计置信区间方法，以解决功能机器学习技术的可靠性问题。该方法通过构建低维预测误差的嵌套置信集，生成具有覆盖保证的预测集，适用于复杂的科学机器学习模型。

本文提出了一种名为VQLTI的新框架，旨在解决热带气旋强度长期预测的不足。该框架通过增强强度与空间信息的匹配，并结合物理知识，显著降低了预测误差，24至120小时的最大持续风速预测误差减少了35.65%-42.51%。

本研究提出了一种创新的对抗攻击方案，旨在保护非侵入式负荷监测技术中的用户隐私，并确保账单计算的准确性。该方案通过生成微小扰动信号，显著提高预测误差，验证了其在真实电力数据集上的有效性。

本研究提出LLM-ABBA方法，通过符号化时间序列与大语言模型结合，提升模式表现并降低预测误差。结果表明，该方法在多个任务上实现了新的最佳效果，具有广泛的应用潜力。

本研究探讨了前向梯度下降（FGD）在预测误差上相较于随机梯度下降（SGD）的表现。通过对每个训练样本进行多次FGD步骤，改善了亚最优性因子，并且当步骤数足够时，亚最优性速率消失。此外，FGD能够适应输入分布中的低维结构。

本研究提出了一种新的符号回归方法SR4MDL，通过基于最小描述长度的搜索目标，解决了预测误差下降不规律的问题。该方法在测试中成功恢复约50个公式，超越了现有最先进的方法。

本文介绍了一种混合神经网络，结合图卷积网络与流体动力学模拟，提升了CFD模拟的效率和准确性。研究表明，图神经网络在复杂几何形状下有效应用于流体动力学问题，显著降低了预测误差，提高了训练效率。

本文研究了长期时间序列预测，提出了多种基于频域的模型，如FreDo、DERITS和FreDF，表现优于传统时域模型。ATFNet和FEDformer结合时间与频率模块，显著降低预测误差。FTMixer和TFDNet通过混合时域与频域特征，提升了预测效果和效率。

本文探讨了基于最优输运理论的对抗训练和鲁棒性模型，提出了多种方法以提高深度学习模型在数据分布变化下的鲁棒性和准确性。研究表明，置信度最优传输（COT）和阈值处理（COTT）能显著降低预测误差，并在多个基准测试中优于现有方法。

本文探讨了机器学习在能效调度中的应用，提出多种策略以减少预测误差并提高调度效率。研究涵盖作业调度和医学影像诊断，强调预测成本对调度系统的影响，并设计新型在线学习算法以优化性能。实验结果表明，所提方法在处理不确定性时具有鲁棒性，能够实现性能提升。

该研究提出了一种新的选择向量子集的方法，利用协方差矩阵和预测误差，在整个数据集上获得强大的统计保证。同时，通过卷积抽样可以提高迭代效率，特别适用于标签昂贵的情况。

通过增加训练和测试数据，使用更有区分性的损失函数，提高文本无关说话人识别系统的准确性。实验结果表明，重复和随机时间翻转可以降低预测误差18%，较低维度嵌入更适合验证，使用逻辑边距损失函数导致最先进的标识和验证准确性的统一嵌入。

该文介绍了一个多因素时空预测任务，使用STGDL框架有效预测不同因素下局部时空数据的演变，并将它们结合起来进行最终预测。实验结果表明，该框架平均显著减少了各种时空模型的预测误差。

本文研究了贝叶斯灵敏度分析中的优化问题，发现贝叶斯模型在有限采样数据下可能出现最大可能的预测误差，学习和稳健性存在冲突。同时，探讨了贝叶斯推断的连续世界中是否存在缺失的稳定性条件。

该研究提出了一种轻量级的不确定性估计器，能够预测多模态的不确定性界限，特别适用于视觉里程计。该方法通过稳健的不确定性估计和基于光流的推理，减少预测误差 2-3 倍，始终优于传统的深度学习方法。

该论文提出了一种通过神经网络逐步去噪生成清晰音频的方法，具有较高的时间效率和音频质量，能够降低预测误差幅度、减少训练时间，并且具有良好的泛化能力。