Uncertainty-Aware Robust Learning on Noisy Graphs
Carnegie Mellon University（卡内基梅隆大学）；Northwestern University（西北大学）
针对现实图中噪声测量损害GNN性能的问题，提出基于分布鲁棒优化的不确定性感知图学习框架，通过极小极大最坏情况风险学习鲁棒节点表示，并在噪声场景中优于基线。
2025-03-13 cs.LG
CONFEX: Uncertainty-Aware Counterfactual Explanations with Conformal Guarantees
Department of Informatics, King’s College London（伦敦国王学院信息学院）；Department of Computer Science, University of Manchester（曼彻斯特大学计算机科学系）
CONFEX提出一种结合保形预测与混合整数线性规划的方法，生成具有局部覆盖保证的不确定性感知反事实解释，在预测不确定性和最优性上提供严格保证，并验证其稳健性与合理性。
2025-10-23 cs.LG
QUTE: Quantifying Uncertainty in TinyML with Early-exit-assisted ensembles for model-monitoring
University of British Columbia（不列颠哥伦比亚大学）
提出QUTE，一种针对TinyML优化的资源高效提前退出辅助集成架构，通过知识蒸馏构建轻量级集成，在减少模型尺寸和延迟的同时提升不确定性量化质量及精度下降检测能力。
2024-11-16 cs.CV cs.LG
Concerning Uncertainty -- A Systematic Survey of Uncertainty-Aware XAI
本文系统调研了将不确定性纳入解释性流程的方法，指出三种不确定性量化方法及整合策略，强调评价实践碎片化，呼吁统一评估原则以提升解释性与可靠性的一致性。
2026-03-27 cs.AI cs.LG
UATTA-ENS: Uncertainty Aware Test Time Augmented Ensemble for PIRC Diabetic Retinopathy Detection
Manipal Institute of Technology（马尼帕尔理工学院）；Manipal Academy of Higher Education（马尼帕尔高等教育学院）
深度嵌入卷积神经网络已成为分析医学图像的首选方法，其诊断性能与医生相当，包括糖尿病视网膜病变的诊断。然而，常用的技术是确定性的，因此无法提供任何估计的预测不确定性。量化模型的不确定性对于降低误诊风险至关重要。一个可靠的架构应该经过良好的校准，以避免过度自信的预测。为了解决这个问题，我们提出了一个UATTA-ENS：不确定性感知测试时间增强Entrance技术5类PIRC糖尿病视网膜病变分类，以产生可靠的和校准良好的预测。
2022-11-08 cs.AI cs.CV cs.LG
UCTECG-Net: Uncertainty-aware Convolution Transformer ECG Network for Arrhythmia Detection
Deakin University（德金大学）；University of Southern Queensland（南方昆士兰大学）；School of Mathematics, Physics and Computing（数学、物理与计算学院）
UCTECG-Net通过结合一维卷积和Transformer编码器，提升ECG信号处理的准确性与可靠性，实现98.58%的MIT-BIH心律失常检测准确率。
2026-02-18 cs.AI cs.LG
Uncertainty-Aware Perceiver
KAIST（韩国科学技术院）
针对 Perceiver 缺乏不确定性估计和校准的问题，提出五种不确定性感知的 Perceiver 变体，在 CIFAR-10 和 CIFAR-100 上显著提升性能。
2024-02-04 cs.CV cs.LG
Deep Microcompression: Structured Pruning and Bit-packed Quantization for Microcontrollers
PowerLabs Technologies（PowerLabs科技公司）
本文提出面向裸机微控制器的硬件感知深度学习压缩流水线Deep Microcompression，整合结构化剪枝等技术，在LeNet-5上实现高压缩比，还实现了标准CNN在2KB SRAM的ATmega328P上的部署。
2026-09-07 cs.LG
Information Aware Max-Norm Dirichlet Networks for Predictive Uncertainty Estimation
MIT Lincoln Laboratory（麻省理工学院林肯实验室）
准确估计人工智能系统预测的不确定性是确保信任和安全的关键因素。用传统方法训练的深度神经网络容易产生过度自信的预测。与贝叶斯神经网络学习权重的近似分布来推断预测置信度相比，我们提出了一种新的方法，信息感知Dirichlet网络，通过最小化预测误差的预期最大范数的界限和惩罚与不正确结果相关的信息来学习预测分布的显式Dirichlet先验分布。新的成本函数的属性导出，以指示如何实现改进的不确定性估计。使用真实数据集的实验表明，我们的技术在估计分布内和分布外的不确定性以及检测对抗性示例方面远远优于最先进的神经网络。
2021-01-04 cs.LG stat.ML
Uncertainty-Aware Decarbonization for Datacenters
University of Waterloo（滑铁卢大学）；Purdue University（普渡大学）
本文首次量化数据中心减碳中的碳强度预测不确定性，通过引入基于保形预测的框架处理时间动态，并结合生产电力追踪的案例研究表明，将不确定性纳入调度决策可有效避免碳排放增加。
2024-08-24 cs.DC cs.LG
ENAS: An Efficient Hardware-Aware Neural Architecture Search Framework for TinyML on Resource-Constrained Microcontrollers
Indian Institute of Science (IISc)（印度科学研究所）
ENAS提出一种无需GPU的硬件感知NAS框架，通过静态检查、细胞搜索空间和三阶段混合搜索，在TinyML基准上实现搜索加速并降低峰值激活RAM，同时保持高准确率。
2026-09-28 cs.AI cs.LG
Uncertainty Aware Deep Neural Network for Multistatic Localization with Application to Ultrasonic Structural Health Monitoring
University of Florida（佛罗里达大学）
针对超声结构健康监测中环境不确定性降低导波定位精度的问题，提出基于混合密度网络的不确定性感知深度神经网络定位方法，输出损伤位置分布，在含环境不确定性与噪声的数据中定位误差显著低于MFP，且预测不确定性可反映定位可靠性。
2020-07-14 cs.LG eess.SP
An Uncertainty-aware Loss Function for Training Neural Networks with Calibrated Predictions
University of Tehran（德黑兰大学）；Deakin University（迪肯大学）；University of Calgary（卡尔加里大学）
机器学习和深度学习方法的不确定性量化在增强对所获得结果的信任方面起着重要作用。近年来，许多不确定度量化方法被引入。蒙特卡罗丢弃（MC-丢弃）是量化深度学习方法中不确定性的最知名技术之一。在这项研究中，我们提出了两个新的损失函数结合交叉熵与预期校准误差（ECE）和预测熵（PE）。所获得的结果清楚地表明，新提出的损失函数导致具有校准的MC-Dropout方法。我们的研究结果证实了新的混合损失函数的巨大影响，在不牺牲模型的整体性能的情况下，最大限度地减少正确和不正确预测的不确定性估计分布之间的重叠。
2023-02-06 cs.CV cs.LG
Real-Time Uncertainty Estimation in Computer Vision via Uncertainty-Aware Distribution Distillation
Samsung Inc（三星公司）；Cornell University（康奈尔大学）
不确定性的校准估计对于深度学习的许多现实世界计算机视觉应用至关重要。虽然有几种广泛使用的不确定性估计方法，辍学推断突出其简单性和有效性。然而，这种技术在推理期间需要通过网络的多次前向传递，因此可能过于资源密集而不能部署在实时的【形】应用中。我们提出了一种简单，易于优化的蒸馏方法，用于学习预训练的辍学模型的条件预测分布，用于计算机视觉任务中的快速，无样本不确定性估计。我们经验性地测试了所提出的方法在语义分割和深度估计任务上的有效性，并证明了我们的方法可以显着减少推理时间，实现实时的【形】不确定性量化，同时实现了比常规辍学模型更高质量的不确定性估计和预测性能。
2020-11-06 cs.CV cs.LG stat.ML
Uncertainty-Aware Post-Hoc Calibration: Mitigating Confidently Incorrect Predictions Beyond Calibration Metrics
本文提出基于保形预测分组与双重等张回归的事后校准框架，在无需重训的情况下减少自信错误预测并改善不确定性决策。
2025-10-19 cs.AI cs.LG cs.NE
Uncertainty Calibration in Bayesian Neural Networks via Distance-Aware Priors
AWS（亚马逊云科技）；Amazon（亚马逊）
当我们远离数据时，预测的不确定性应该增加，因为各种各样的解释与很少的可用信息是一致的。我们引入了距离感知先验（DAP）校准，这是一种在训练域之外纠正贝叶斯深度学习模型过度自信的方法。我们将DAP定义为模型参数的先验分布，这些参数通过测量输入与训练集的距离来依赖于输入。DAP校准对于后验推断方法是不可知的，并且它可以作为后处理步骤来执行。我们在各种分类和回归问题中证明了它对几个基线的有效性，包括旨在测试远离数据的预测分布质量的基准。
2022-07-17 cs.AI cs.LG stat.ML
Beyond Prediction: Interval Neural Networks for Uncertainty-Aware System Identification
Artificial Intelligence and Intelligent Systems Laboratory, Istanbul Technical University, Istanbul, Türkiye（人工智能与智能系统实验室，伊斯坦布尔技术大学，伊斯坦布尔，土耳其）
本文提出了一种构建和训练区间神经网络（INNs）的系统框架，用于系统识别中的不确定性建模。通过扩展清晰神经网络为区间网络，开发了能够传播不确定性的区间LSTM和NODE模型，并提出了两种训练策略：Cascade INN和Joint INN，以提高预测精度和区间精度。
2026-08-21 cs.LG cs.SY eess.SP
Uncertainty aware audiovisual activity recognition using deep Bayesian variational inference
Intel Labs（英特尔实验室）
深度神经网络（DNN）为多种应用提供了最先进的结果，但是将DNN用于多模态视听应用的方法不考虑与各个模态相关联的预测不确定性。贝叶斯深度学习方法提供原则性的置信度并量化预测的不确定性。我们在这项工作中的贡献是提出了一个不确定性感知的多模态贝叶斯融合框架的活动识别。我们展示了一种新的方法，该方法结合了确定性和变化层，以将贝叶斯DNN扩展到更深的架构。我们的实验使用的分布内和分布外的样本，从一个子集的时刻在时间（MiT）数据集显示了一个更可靠的信心措施相比，非贝叶斯基线和蒙特卡罗脱落（MC脱落）近似贝叶斯推断。我们还证明了从所提出的框架中获得的不确定性估计可以识别UCF101和MiT数据集上的分布外数据。在多模态设置中，与非贝叶斯基线相比，所提出的框架在MiT数据集的子集上将精确召回AUC提高了10.2%。
2019-09-20 cs.LG cs.NE stat.ML
Uncertainty-Aware and Explainable Ensemble Deep Learning Framework for Multi-Class Skin Lesion Classification
Wilfrid Laurier University（威尔弗里德劳里埃大学）
针对皮肤癌诊断的难点，提出集成MaxViT-Tiny与两类CNN模型的深度学习框架，结合MC Dropout估测不确定性、Grad-CAM++提供可解释性，在HAM10000数据集上取得优异分类性能，支撑可信计算机辅助诊断。
2026-08-13 cs.AI cs.CV cs.LG
Lightweight, Uncertainty-Aware Conformalized Visual Odometry
University of Illinois Chicago（伊利诺伊大学芝加哥分校）
数据驱动的视觉里程计（VO）是自主边缘机器人的关键子程序，该领域的最新进展已经在复杂环境中产生了高度准确的点预测。然而，新兴的自主边缘机器人设备，如昆虫规模的无人机和手术机器人，缺乏一个计算效率高的框架来估计VO的预测不确定性。与此同时，随着边缘机器人技术继续扩散到关键任务应用领域，对模型预测不确定性的认识对于风险感知决策至关重要。本文解决了这一挑战，提出了一种新的，轻量级的，统计上强大的框架，利用共形推理（CI）提取VO的不确定性带。我们的方法表示使用灵活的，适应性强，可调的预测区间，平均而言，保证包括地面真理在所有自由度（DOF）的姿态估计的不确定性。我们讨论了生成深度神经网络的架构，用于估计多变量不确定性带以及点（均值）预测。我们还提出了技术，以提高不确定性估计的准确性，如利用蒙特卡洛辍学（MC-辍学）的数据增强。最后，我们提出了一种新的训练损失函数，它将区间评分和校准损失与传统的训练指标-均方误差和KL发散-结合起来，以提高不确定性感知学习。我们的仿真结果表明，所提出的框架一致地捕捉到了不同数据集，估计模型和应用的噪声类型的姿态估计的真实不确定性，表明其广泛的适用性。
2023-03-03 cs.AI cs.CV cs.LG
Uncertainty-Aware Adaptation of Large Language Models for Protein-Protein Interaction Analysis
Computing & Data Sciences Directorate, Brookhaven National Laboratory（布鲁海文国家实验室计算与数据科学 Directorate）；Department of Electrical & Computer Engineering, Texas A&M University（德克萨斯A&M大学电气与计算机工程系）
本研究提出一种用于蛋白质-蛋白质相互作用分析的大型语言模型不确定性感知适应方法，利用微调LLaMA-3和BioMedGPT，结合LoRA集成与贝叶斯LoRA进行不确定性量化，提升了预测可靠性与可重复性。
2025-08-14 cs.AI cs.CL cs.LG
An affordable hardware-aware neural architecture search for deploying convolutional neural networks on ultra-low-power computing platforms
University of Genoa（热那亚大学）；Scuola Superiore Sant’Anna（圣安娜高等研究学院）
提出一种轻量级硬件感知神经架构搜索方法，生成可在超低功耗微控制器上运行的微型CNN，在保持分类精度的同时降低搜索成本。
2026-06-16 cs.AI cs.LG
FEMBA on the Edge: Physiologically-Aware Pre-Training, Quantization, and Deployment of a Bidirectional Mamba EEG Foundation Model on an Ultra-low Power Microcontroller
Integrated Systems Laboratory, ETH Zürich（苏黎世联邦理工学院集成系统实验室）；DEI, University of Bologna（博洛尼亚大学电气、电子与信息工程系）
本文提出FEMBA，通过生理感知预训练、量化和部署，实现基于Mamba的EEG基础模型在超低功耗微控制器上的高效应用，提升长期神经监测性能。
2026-03-18 cs.LG eess.SP
TinyNav: End-to-End TinyML for Real-Time Autonomous Navigation on Microcontrollers
TinyNav利用量化二维卷积神经网络在ESP32微控制器上实现实时自主导航，通过避免3D卷积和循环层，达到30毫秒推理延迟，展示了在受限设备上部署自主控制的可行性。
2026-03-10 cs.CV cs.LG cs.RO
Split CNN Inference on Networked Microcontrollers
Delft University of Technology（代尔夫特理工大学）
本文提出一种细粒度分割推理系统，通过在子层级别分割实现CNN模型在多个设备上的协同推理，降低MCU内存瓶颈并保持端到端延迟。
2026-05-10 cs.DC cs.LG
ELASTIC: Efficient Once For All Iterative Search for Object Detection on Microcontrollers
ELASTIC提出一种硬件感知的神经架构搜索框架，通过模块间循环优化提升效率，实现更高的mAP和更快的收敛速度，优于现有方法。
2026-03-15 cs.CV cs.LG
MCUBERT: Memory-Efficient BERT Inference on Commodity Microcontrollers
Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院）；School of Integrated Circuits, Peking University（北京大学集成电路学院）；School of Computer Science, Peking University（北京大学计算机学院）；The University of Hong Kong（香港大学）；Institute of Electronic Design Automation, Peking University（北京大学电子设计自动化研究所）；Beijing Advanced Innovation Center for Integrated Circuits（北京集成电路高精尖创新中心）
MCUBERT 通过基于聚类低秩近似的两阶段架构搜索与细粒度调度协同优化，在无精度和延迟损失的前提下让轻量 BERT 首次以低于256KB内存运行于商用MCU并处理512 token。
2024-10-23 cs.AI cs.LG
Active Client Selection in Federated Trajectory Prediction with Uncertainty-Awareness and Heterogeneous Complexity
Northeastern University（东北大学）；University of Connecticut（康涅狄格大学）
针对联邦轨迹预测中场景不确定性与复杂度异质性挑战，提出不确定性感知及联合复杂度-不确定性感知的主动客户端选择方法，在Argoverse上加速收敛并提升预测性能。
2026-09-25 cs.LG
Uncertainty-Aware Principal Component Analysis
University of Konstanz（康斯坦茨大学）；University of Stuttgart（斯图加特大学）
我们提出了一种技术来执行降维的数据，是受不确定性。我们的方法是传统的主成分分析（PCA）的多变量概率分布的推广。与非线性方法相比，线性降维技术具有这样的优点，即这种概率分布的特征在投影后保持不变。我们推导出PCA样本协方差矩阵的表示，该表示尊重每个输入中的潜在不确定性，构建了我们的新方法的数学基础：不确定性感知PCA。除了我们的方法在基于采样的策略上获得的准确性和性能外，我们的公式还允许我们对数据中的不确定性进行敏感性分析。为此，我们提出了一种新的可视化，使更好地了解所选择的主成分的不确定性的影响因素的痕迹。我们使用真实世界的数据集提供了我们的技术的多个例子。作为一种特殊情况，我们展示了如何通过PCA传播多元正态分布的封闭形式。此外，我们讨论了我们的方法的扩展和限制。
2019-08-01 cs.HC cs.LG stat.ML
A unified uncertainty-aware exploration: Combining epistemic and aleatory uncertainty
University of Toronto（多伦多大学）；Defence Research and Development Canada (DRDC) Toronto Research Centre（加拿大国防研究与发展署多伦多研究中心）
本文提出一种统一算法，通过扩展分布式RL量化认知与偶然不确定性的综合效应，解决现有加性组合导致过度冒险的问题，实现了更优的风险敏感探索。
2024-01-05 cs.LG
UPL: Uncertainty-aware Pseudo-labeling for Imbalance Transductive Node Classification
Sharif University of Technology（谢里夫理工大学）；Alan Turing Institute（阿兰·图灵研究所）
针对图结构数据的类别不平衡导致节点分类困难的问题，提出不确定性感知伪标签标注算法UPL，通过为无标签节点分配伪标签并利用不确定性方法降低训练噪声，有效提升了分类准确率，性能优于现有最先进方法。
2025-02-02 cs.LG
Efficient RF Passive Components Modeling with Bayesian Online Learning and Uncertainty Aware Sampling
ShanghaiTech University（上海科技大学）
针对传统射频无源元件机器学习建模计算量大的问题，提出带可重构头贝叶斯神经网络与不确定性引导自适应采样的贝叶斯在线学习框架，在保证精度的同时将电磁仿真时间降至原流程的2.86%，提速35倍。
2025-11-19 cs.LG
Uncertainty-aware INVASE: Enhanced Breast Cancer Diagnosis Feature Selection
Peking University（北京大学）；Virginia Military Institute（弗吉尼亚军事学院）
在本文中，我们提出了一个不确定性感知的INVASE来量化医疗保健问题的预测置信度。通过引入可学习的高斯分布，我们将它们的方差进行统计，以衡量不确定性的程度。基于vanilla INVASE，提出了两个附加模块，即，预测器中的不确定性量化模块和选择器中的奖励塑造模块。我们在UCI-WDBC数据集上进行了广泛的实验。值得注意的是，我们的方法消除了几乎所有的预测偏差，只有大约20%的查询，而不确定性不可知的对应需要近100%的查询。在https://github.com/jx-zhong-for-academic-purpose/Uncertainty-aware-INVASE/blob/main/tutorialinvase%2B.ipynb上可以找到带有详细教程的开源实现。
2021-05-04 cs.AI cs.CV cs.LG
Dynamic Distribution-Aware Uncertainty Tracking in Vision-Language Representation Learning
State Key Laboratory of Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室）；ByteDance Inc（字节跳动公司）
针对视觉-语言模型事后不确定性量化方法忽略测试分布动态性的问题，提出DDA-UQ框架，通过高斯混合模型建模嵌入空间，实现动态不确定性估计，性能优于现有最优方法。
2026-08-20 cs.LG
An Uncertainty-Aware Pseudo-Label Selection Framework using Regularized Conformal Prediction
针对伪标签因模型校准差而产生错误高置信预测的问题，本文提出基于保形正则化不确定性集合的不确定性感知伪标签选择框架，以减少噪声训练样本。
2023-08-30 cs.LG
Uncertainty-Aware Learning from Demonstration using Mixture Density Networks with Sampling-Free Variance Modeling
Seoul National University（首尔国立大学）；Korea University（高丽大学）
在本文中，我们提出了一种不确定性感知的示教学习方法，提出了一种新的不确定性估计方法，利用混合密度网络建模复杂和嘈杂的人类行为。建议的不确定性采集可以用一个单一的前向路径，而无需蒙特卡罗采样，是适合于实时机器人应用。通过三个不同的合成例子，没有数据，重测量噪声，和组合功能的情况下，建议的不确定性度量的属性进行了分析。我们表明，每种情况下，可以区分使用所提出的不确定性措施，并提出了一个不确定性意识的学习，从演示方法的自动驾驶使用此属性。所提出的不确定性感知的示教学习方法在使用复杂的真实世界驾驶数据集的安全性方面优于其他比较方法。
2017-09-08 cs.AI cs.CV cs.LG
Confidence-Filtered Relevance (CFR): An Interpretable and Uncertainty-Aware Machine Learning Framework for Naturalness Assessment in Satellite Imagery
University of Bonn（波恩大学）；Forschungszentrum Jülich（尤利希研究中心）
本文提出置信度过滤相关性（CFR）框架，结合LRP注意力展开与深度确定性不确定性估计，系统分析模型不确定性对卫星影像自然度评估可解释性的影响，并在AnthroProtect数据集上验证了其有效性。
2025-07-17 cs.LG
Uncertainty-Aware Machine Translation Evaluation
Instituto de Telecomunicações（电信研究所）；Unbabel（Unbabel公司）；INESC-ID（葡萄牙系统与计算机工程研究所（里斯本分部））；Instituto Superior Técnico（高等技术学院）；LUMLIS (Lisbon ELLIS Unit)（里斯本ELLIS单元LUMLIS）
最近提出了几种基于神经的度量来评估机器翻译质量。然而，所有这些方法都采用点估计，这在分部一级提供的信息有限。更糟糕的是，它们是在嘈杂、有偏见和缺乏人类判断的情况下训练的，往往导致不可靠的质量预测。在本文中，我们介绍了不确定性感知MT评估和分析的可信度的预测质量。我们将COMET框架与两种不确定性估计方法（Monte Carlo dropout和deep ensembles）相结合，以获得质量分数和置信区间。我们比较了QT21数据集和WMT20指标任务中多个语言对的不确定性感知MT评估方法的性能，并使用MQM注释进行了增强。我们实验不同数量的参考文献，并进一步讨论了有用的不确定性意识的质量估计（没有参考文献），标志可能是关键的翻译错误。
2022-03-24 cs.CL cs.LG
SAUP: Situation Awareness Uncertainty Propagation on LLM Agent
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；NEC Labs America（美国NEC实验室）；NEC Corporation（NEC公司）
针对LLM智能体多步决策中现有方法无法解释累积不确定性与动态交互的问题，提出SAUP框架，通过态势权重整合态势感知并传播每步不确定性，兼容单步技术，实验显示其AUROC较SOTA提升达20%。
2024-12-02 cs.CL cs.LG
Uncertainty-aware Knowledge Tracing
ShanghaiTech University（上海科技大学）；Soochow University（苏州大学）；University of Science and Technology of China（中国科学技术大学）；The University of Queensland（昆士兰大学）
提出不确定性感知知识追踪模型（UKT），利用随机分布嵌入和Wasserstein自注意力捕捉学生交互中的不确定性，并通过偶然不确定性对比学习增强鲁棒性，在六个真实数据集上显著优于现有深度学习模型。
2025-01-21 cs.LG
PPO-UE: Proximal Policy Optimization via Uncertainty-Aware Exploration
Virginia Tech（弗吉尼亚理工大学）；University of Oslo（奥斯陆大学）；DEVCOM Army Research Laboratory（DEVCOM陆军研究实验室）；University of Texas at Dallas（德克萨斯大学达拉斯分校）；University of the District of Columbia（哥伦比亚特区大学）
近端策略优化（PPO）是一种非常流行的基于策略的深度强化学习（DRL）方法。然而，我们观察到PPO中的同质探索过程可能会在训练阶段导致意想不到的稳定性问题。为了解决这个问题，我们提出了PPO-UE，一个PPO的变种配备了自适应的不确定性感知探索（UE）的基础上的比例不确定性水平。所提出的PPO-UE被设计为以优化的比率不确定性水平来提高收敛速度和性能。通过广泛的灵敏度分析，通过改变比例的不确定性水平，我们提出的PPO-UE在Roboschool连续控制任务中大大优于基线PPO。
2022-12-13 cs.AI cs.LG
Uncertainty-Aware Boosted Ensembling in Multi-Modal Settings
BITS Pilani, K K Birla Goa Campus（比拉理工学院皮拉尼校区果阿分校）；Harvard Medical School（哈佛医学院）
机器学习（ML）系统的可靠性在医疗保健等安全关键型应用中至关重要，而不确定性估计是一种广泛研究的方法，用于突出ML系统在部署中的置信度。顺序和并行集成技术已经显示出通过一起利用特征集来提高ML系统在多模态设置中的性能。我们提出了一种用于多模态集成的不确定性感知提升技术，以便专注于具有较高相关不确定性估计的数据点，而不是具有较高损失值的数据点。我们评估这种方法对涉及现实世界的多模态语音和文本数据的痴呆症和帕金森病相关的医疗保健任务，其中我们的方法显示出改进的性能。进一步的分析表明，将不确定性意识引入到增强的集合中会降低系统的整体熵，使其对数据中的异方差更鲁棒，并更好地校准每个模态以及高质量的预测区间。我们在https://github.com/usarawgi911/Uncertainty-aware-boosting上开源了整个代码库
2021-04-21 cs.AI cs.LG
$μ$DARTS: Model Uncertainty-Aware Differentiable Architecture Search
Georgia Institute of Technology（佐治亚理工学院）；National Institute of Standards and Technology（美国国家标准与技术研究院）；Colorado State University（科罗拉多州立大学）
我们提出了一个模型不确定性感知微分ARCHITECTURE搜索（$μ$ DARTS），优化神经网络，同时实现高精度和低不确定性。我们在DARTS单元中引入具体的dropout，并在训练损失中包含Monte-Carlo正则化器以优化具体的dropout概率。在验证损失中引入了预测方差项，以使搜索具有最小模型不确定性的架构成为可能。在CIFAR 10、CIFAR 100、SVHN和ImageNet上的实验验证了$μ$ DARTS方法在提高精度和降低不确定性方面的有效性。此外，从$μ$ DARTS获得的最终架构与从现有DARTS方法获得的架构相比，在输入图像和模型参数处显示出对噪声的更高鲁棒性。
2022-09-11 cs.AI cs.LG
Uncertainty-Aware Deployment of Pre-trained Language-Conditioned Imitation Learning Policies
University of Pennsylvania（宾夕法尼亚大学）；University of Michigan（密歇根大学）
针对预训练语言条件模仿学习智能体在新环境中泛化困难的问题，提出基于温度缩放校准和候选动作局部信息聚合的不确定性感知部署方法，显著提升了仿真环境下的任务完成率。
2024-07-28 cs.LG cs.RO
SELAUR: Self Evolving LLM Agent via Uncertainty-aware Rewards
Johns Hopkins University（约翰霍普金斯大学）；Arizona State University（亚利桑那州立大学）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Purdue University（普渡大学）
SELAUR通过将不确定性直接融入奖励设计，提升大语言模型在多步决策中的探索效率和学习稳定性。
2026-02-25 cs.CL cs.LG
Uncertainty-Aware Deep Neural Representations for Visual Analysis of Vector Field Data
IIT Kanpur（印度理工学院坎普尔分校）
本研究针对深度神经网络缺乏内置不确定性度量机制的问题，开发不确定性感知隐式神经表征建模稳态矢量场，评估两种深度不确定性估计技术的效果，提升了模型鲁棒性与可解释性，可用于复杂矢量场的可视化分析。
2024-08-10 cs.AI cs.GR cs.LG
Uncertainty-Aware Graph Self-Training with Expectation-Maximization Regularization
本研究提出一种带EM正则化的不确定性感知图自训练方法，用于半监督节点分类，通过迭代优化伪标签置信度处理含噪图数据，实验显示其准确率较基线最高提升2.5%且性能更稳定。
2025-07-29 cs.LG stat.ML
Uncertainty-Aware Deep Learning Framework for Remaining Useful Life Prediction in Turbofan Engines with Learned Aleatoric Uncertainty
Krishang Sharma（独立研究者）
本文提出一种不确定性感知深度学习框架，通过概率建模直接学习数据固有不确定性，提升涡扇发动机剩余使用寿命预测的准确性和置信区间校准。
2025-11-26 cs.AI cs.LG
MSC: Multi-Stage Caster-aware Control Framework with Uncertainty-Aware NMPC and RL-based Execution Layer
KAIST（韩国科学技术院）
针对脚轮错位引发的规划-执行差距与现有策略的不稳定问题，提出带CU-MPC与RL执行层的MSC框架，经仿真与实机验证，其脚轮状态估计精度、错位抑制及跟踪鲁棒性均优于现有解耦补偿方法。
2026-10-14 cs.LG cs.RO
Uncertainty-Aware Model-Based Reinforcement Learning with Application to Autonomous Driving
Nanyang Technological University（南洋理工大学）
为了进一步提高强化学习（RL）的学习效率和性能，提出了一种新的基于不确定性感知模型的强化学习（UA-MBRL）框架，并在不同任务场景下的自动驾驶中进行了实现和验证。首先，建立了一个具有不确定性评估能力的动作条件集成模型作为虚拟环境模型。然后，一个新的不确定性感知的基于模型的RL框架的基础上的自适应截断方法，提供虚拟的代理和环境模型之间的相互作用，提高RL的训练效率和性能。然后，开发的算法在端到端的自主车辆控制任务中实现，在各种驾驶场景下与最先进的方法进行验证和比较。验证结果表明，所提出的UA-MBRL方法优于现有的基于模型和无模型的RL方法，在学习效率和实现的性能。实验结果表明，该方法在各种自动驾驶场景下具有良好的自适应性和鲁棒性。
2021-07-05 cs.LG cs.RO
UCPO: Uncertainty-Aware Policy Optimization
针对现有强化学习范式在不确定性奖励下存在的优势偏差和过度自信问题，提出三元优势解耦和动态不确定性奖励调整机制，显著提升模型在知识边界外的可靠性。
2026-05-26 cs.AI cs.LG
NADS: Neural Architecture Distribution Search for Uncertainty Awareness
Texas A&M University（德州农工大学）
机器学习（ML）系统在处理来自与训练数据不同的分布的测试数据时经常遇到分布外（OoD）错误。对于关键应用中的ML系统来说，准确量化其预测不确定性并筛选出这些异常输入变得非常重要。然而，现有的OoD检测方法容易出错，甚至有时会为OoD样本分配更高的可能性。与标准的学习任务不同，目前还没有一个很好的指导原则来设计可以准确量化不确定性的OoD检测架构。为了解决这些问题，我们首先寻求确定设计不确定性感知架构的指导原则，提出神经架构分布搜索（NADS）。NADS搜索在给定任务上表现良好的架构分布，使我们能够在所有不确定性感知架构中识别共同的构建块。有了这个公式，我们能够优化一个随机OoD检测目标，并构建一个合奏的模型来执行OoD检测。我们进行了多个OoD检测实验，并观察到我们的NADS表现良好，与15种不同测试配置中最先进的方法相比，准确度提高了57%。
2020-06-11 cs.LG stat.ML
Hierarchical Uncertainty-Aware Graph Neural Network
Samsung SDS（三星 SDS）；KAIST（韩国科学技术院）；Samsung（三星）；Korea Institute of Energy Technology（韩国能源技术研究所）
本文提出HU-GNN框架，通过多尺度不确定性估计与自监督嵌入多样性统一建模，增强图神经网络在噪声和对抗扰动下的鲁棒性与可解释性，并在标准基准上取得最先进性能。
2025-05-05 cs.IR cs.LG
DUAL: Dynamic Uncertainty-Aware Learning
University of Liverpool（利物浦大学）；Shanghai Jiao Tong University（上海交通大学）；Xi’an Jiaotong-Liverpool University（西交利物浦大学）
本文提出统一框架DUAL，通过动态特征不确定性建模、自适应分布感知调制和不确定性感知跨模态关系学习，在单模态与多模态任务中显著提升模型性能。
2025-05-21 cs.CV cs.LG
