#不确定性估计

这篇论文把贝叶斯网络里该随机化哪些参数交给算法自己学，只用一半随机参数就能达到全随机网络的效果，做不确定性估计的可以看看。

医学影像合成的怕生成得像但解剖错了，这篇用 AortaDiff 加 6 种不确定性方法来量化这事，MCDropout 免训练就能用

皮肤癌AI模型遇到陌生数据容易乱给结论，这篇研究用多准则不确定性估计来识别偏移，还顺带提升恶性判断，做医疗影像的可以看看。

npj Digital Medicine@Reid F. Thompson原文

调用不返回 logprobs 的 API 模型时，可以用 Pinocchio 判断回答靠不靠谱，两行代码就能接入。

这篇论文提出了一种不用训练就能测模型不确定性的新方法，在接地问答上比现有基线更准，还能自己判断什么时候适用。

这篇论文用22种语言、9种方法实测发现：让模型用英文思考能大幅改善低资源语言的不确定性估计，选方法还得看模型大小。

DALorRA让LLM微调不再过度自信，用稀疏低秩适应提升校准，还不损失推理能力。

这篇论文提出了CoMet，能高效估计多模态语言模型的不确定性，比现有方法更准更快，很适合做AI可靠性的研究者看。

这篇论文用具体数据告诉你，模型Dice高不一定安全，得看关键区域的校准情况。做医疗AI必读。

做分子生成或药物设计的团队，终于有了一个能判断生成分子质量好坏的信号，建议试试这个后处理方法，能直接提升模型输出质量。

做模型可靠性或安全关键应用的团队，终于有了一个既高效又精准的不确定性量化工具——在 MC Dropout 基础上加 Dirichlet 分布，校准效果更好，值得在分类任务中试试。

该工作为LLM代码生成提供了更实用的不确定性估计方案，在效率与效果上均取得显著提升，对提升代码生成系统的可靠性和安全性具有实践指导意义。