深度学习模型不确定性领域重要文献，主要介绍了贝叶斯方法和SGLD优化算法，以及重要性采样算法，包括Yarin Gal的博士论文，Marco Tulio Ribeiro的“Why Should I Trust You?”和Alex Kendall的What Uncertainties Do We Need in Bayesian Deep Learning for Computer Vision?等经典论文

不确定的微分方程已广泛应用于许多领域，尤其是不确定的金融领域。 不幸的是，我们不能总是得到不确定微分方程的解析解。 早期的研究人员提出了一种基于欧拉方法的数值方法。 本文设计了一种通过广泛使用的Runge-Kutta方法求解不确定微分方程的新数值方法。 给出了一些例子来说明Runge-Kutta方法在计算不确定性微分方程解的不确定性分布，期望值，极值和时间积分时的有效性。

自适应模糊阈值法matlab代码 该知识库包含了不确定性分析研究中使用的所有研究论文 序号 年 作者 文件名 1个 1961年 地址 地址-1961年-印度科学研究所 2个 1978年 加里克·坎纳内·纳什 Garrick，Cunnane，Nash-1978年-降雨径流模型的效率标准 3 1991年 莫里斯 莫里斯（Morris）-1991年-初步计算实验的析因计划 4 1992年 贝文·宾利 Beven，Binley-1992-分布式模型的未来模型校准和不确定性预测 5 1993年 贝文，预言 贝文，预言-1993-分布式水文模型的现实和不确定性 6 1993年 段，古普塔，Sorooshian Duan，Gupta，Sorooshian-1993年-改组复杂的进化方法以实现有效和高效的全球最小化 7 1993年 胶水 胶水-1993-广义似然不确定度估计方法 8 1997年 D，邓恩 D，Dunne-1997-低流量 9 1997年 甘，德拉米尼，比夫图 Gan，Dlamini，Biftu-1997-模型复杂性和结构，数据质量和目标函数对水文建模的影响 10 1998年 古普塔，索

研究遥感和GIS不确定性方面的经典论文集，非常适合相关研究人员参考

模型参考自适应 simulink仿真，模型参考自适应 的例程 可以仿真出结果。

1986年Smith, Randall C与Chessman, Peter发表的关于SLAM的第一篇论文。

这是一本关于随机建模和模糊建模的好书，非常经典！

PyTorch的官方实现： 深度学习中域内不确定性估计和集合的陷阱，ICLR'20 / / // 海报视频（5分钟） 环境设定 以下内容允许使用创建并运行具有所有必需依赖项的python环境： conda env create -f condaenv.yml conda activate megabayes 日志，图表，表格，预训练砝码 在文件夹中，我们提供： 保存的日志以及所有计算结果 ipython笔记本示例，可重现绘图，表格并计算深整体等效（DEE）分数 某些模型的预训练权重可以在以下： 和等。这些权重还可以通过通过命令行界面下载： pip3 install wldhx.yadisk-direct % ImageNet curl -L $(yadisk-direct https://yadi.sk/d/rdk6ylF5mK8ptw?w=1) -o deepens_imag

Rethinking Anticipation Tasks: Uncertainty-aware Anticipation of Sparse Surgical Instrument Usage for Context-aware Assistance的个人涂鸦版本

深度学习中的不确定性量化 此回购包含文献调查和基线的实现，以用于深度学习中的预测不确定性估计。 文献调查 不确定性估算的基本背景 埃夫隆（B. Efron）和蒂布希拉尼（R. Tibshirani）。 “用于标准误差，置信区间和其他统计准确性度量的引导方法。” 统计科学，1986年。 R. Barber，EJ Candes，A。Ramdas和RJ Tibshirani。 “用折刀+进行预测性推论。” arXiv，2019年。 B.埃夫隆。 “ Jackknife-bootstrap之后的标准错误和影响功能。” 皇家统计学会杂志：B系列（方法论），1992年。 J.罗宾斯和A. Van Der Vaart。 “自适应非参数置信集。” 统计年鉴，2006年。 V. Vovk等人，“跨等角预测分布”。 JMLR，2018年。 M. H Quenouille。，“时间序列相关