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。

本研究提出了一种基于最小描述长度的新搜索目标，解决了符号回归中预测误差不规律的问题。通过MDLformer神经网络，SR4MDL方法成功恢复了约50个公式，超越了当前最先进的方法，达到了43.92%的性能提升。

本研究提出了一种高效的电网潮流学习方法，能够处理网络事故并估算概率电压包络。通过高斯过程和多任务顶点度核方法，显著降低了计算复杂度。模拟实验表明，该方法在N-1和N-2事故情景下表现优异，尤其在训练数据量较少时，预测误差减少超过50%。

扩散模型的曝光偏差是由于训练和抽样输入不匹配导致的。本文分析了抽样分布和预测误差，提出了Epsilon Scaling方法，通过缩小网络输出，使抽样轨迹更接近训练阶段的向量场。实验表明该方法在多种扩散框架中有效。

本研究使用多种变量和机器学习模型预测低收入和发展中国家饥饿危机的家庭营养指标。研究发现随机森林回归模型是最准确的，平均预测误差为10.6%。经济指标在预测中的重要性得到了强调，定制模型和改进数据收集对于改善饥荒预测至关重要。

本研究提出了一种新的交通速度预测模型，使用专家混合模型捕捉不同的交通模式。研究发现该模型在真实路网上的预测误差较低，能有效解释时间依赖性和变量重要性。

该研究使用图神经网络模型进行交通预测，考虑了交通参与者之间的相互作用。研究发现，该模型比不考虑相互作用的模型预测误差下降30％，表明交互作用是重要的。该研究认为图神经网络在交通预测系统中具有价值。

本文研究混合线性回归预测误差问题，提出了一种基于最小化损失函数的预测方法，能够实现小概率的预测误差。同时，通过交替最小化算法，实现了在无需假设可实现模型的情况下找到最佳拟合线。

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。