#不确定性量化

这篇论文挺实用的：想给大模型做 Laplace 近似的话，小模型上调好精度直接搬到大模型，7B 模型最高能省 330 倍搜索量。

用 conformal prediction 做不确定性估计的朋友看看，这篇论文证明了预测集变小就等于获得了信息，还给了 11 个实验验证。

解决随机 PDE 不确定性量化的新网络结构，比九个基线更准还更省参数，做科学计算的可以看看开源代码。

做回归或不确定性量化的人可以看看：标准 GP 一旦 kernel 选错就崩，PrO-GPs 直接优化预测校准，实验显示误设下表现更稳。

做图神经网络的可以看看：一个表示同时搞定校准、OOD 检测和分布偏移，14 个基准 Brier score 最低，不用再各训练一个模型。

做量化交易的同学可以看看，这个模块能告诉模型哪些预测可以信，最有信心的 10% 预测 F1 直接到 0.88。

想让随机森林的解释更稳？这篇论文让单棵 ART 树在 21 个数据集上同时给出预测值、区间和概率。

这篇论文解决了LLM评估中的不确定性问题，通过多智能体共识方法让评估结果更可靠。

想知道基因组学里哪个不确定性方法靠谱？这篇实证对比了三种主流方法，贝叶斯网络在类别不平衡时表现最好，还教你怎么用不确定性挑高质量预测。

这篇论文给 RLCP 补上了有限样本保证，证明局部校准误差有界，还能帮你理解带宽怎么选。

PGBB这招挺巧，把贝叶斯自助法改成按组分权重，不用给每个人的数据加独立噪声，隐私预算省了，后验不确定性也给得准。相比要预设生成模型的私有方法，它在人口普查数据上更好。

想搞清深度模型怎么给出靠谱置信度？这篇把贝叶斯、Dropout、集成、单次前向等方法全梳理了一遍，还讲了各自局限，适合入门和选型参考。

这篇论文提出了iPANN和fPANN，用区间和模糊集处理本构建模中的不确定性，能包围噪声观测，还能把不确定性传到有限元仿真里。

这篇论文搞了个新训练方法，不用人工标数据就能把天文瞬变源和假信号分开，还自带靠谱的不确定度估计，对大型巡天项目很实用。

这篇论文教你让AI写代码时自己能判断靠不靠谱，比之前的ChatDev更稳，特别适合做复杂软件项目。

这篇论文解决了决策中如何利用预测不确定性的难题，提出的PC-RACP方法在实验中比现有方法效用更高，值得搞决策优化的同学看看。

这篇论文教你怎么分割数据能让预测区间更短，覆盖了线性回归、神经网络等常见模型，有实操方法。

这篇论文发现直接用余弦相似度搞局部共形预测效果一般，但换个非线性变换后，预测集变小了，值得做VLM不确定性量化的看看。

这篇论文教大模型在不确定时怎么选策略，辅导学生或写评审都管用，贝叶斯方法比保守方法更聪明。

Ribbon用一种巧妙的线性化技巧，让你不用反复训练就能估算模型的不确定性，而且结果和更复杂的bootstrap差不多。

这篇论文搞了个Argus基准，比较了27种不确定性方法在4个VLM模型和4个GUI数据集上的表现。结论很实在：方法排名换模型就不灵了，闭源还得单独测。做智能体部署的可以看看。

这篇论文把LLM不确定性拆成四个层面，测了21种方法在多个基准上的效果，结论是共识方法最稳，模型越大越不模糊。

这篇论文用生成模型替换传统固定形状的不确定性集，给出了五个可操作的评估标准，生产规划实验数据扎实，搞鲁棒优化或不确定性量化的值得看看。

做火灾应急规划或AI优化决策的团队值得关注——这套框架把预测和干预统一优化，比传统分步方法更高效，且能处理环境不确定性。

多智能体代码生成团队终于有了低成本的质量评估工具——FASE用0.3%的计算成本实现更优的代码正确性预测，做自动化软件开发的工程师可以直接集成到工作流中。

城市气候监测和热风险分析团队终于有了一个兼顾传感器预算和布局约束的实用方案——GNN在稀疏数据下比传统插值法更准，做城市热岛效应或极端高温预警的可以直接参考。

做混沌系统建模或动力学重建的研究者，KAFFEE直接解决了概率预测与动力学一致性脱节的痛点，值得在实验中尝试。