Conformalized Graph Neural Networks开源项目 – 图形的不确定性量化

该模型结合对比潜变量，以指导能量基础模型的训练和优化。

该项目专注于对独立成分进行对齐，以改善多任务学习的效果。通过利用独立成分分析技术，提升多任务学习场景中的性能，适用于多种机器学习任务。

lightning-uq-box是一个基于PyTorch和Lightning的库，旨在为现代神经网络提供多种不确定性量化(UQ)技术，支持灵活的模型训练和评估，并与现有的PyTorch项目无缝集成。

Apollo AI是一款应用，允许用户在iOS设备上私密运行本地模型，如Llama或Qwen。下载后，这些模型可以离线使用，无需互联网连接。用户可以尝试Llama 3.1、Qwen、Deepseek r1 Distillations等多种模型，且由于这些模型在手机上运行，使用完全免费。

NeuroBayes 是一个基于贝叶斯统计的神经网络包，旨在为机器学习中的复杂问题提供强大的解决方案。它结合了神经网络的灵活性与贝叶斯方法的严谨不确定性量化，特别适合需要高精度预测的场景。最初主要用于物理学分析，如 DELPHI 和 CDF 合作中的数据处理，后来扩展到工业应用，涵盖金融、医疗等多个领域。

该项目是一篇立场论文，由Theodore Papamarkou等25位学者联合发表，强调贝叶斯深度学习（BDL）在大型AI时代的关键作用。论文指出，尽管传统深度学习在大型监督任务中表现优异，但忽视了不确定性量化、主动学习及多样化数据处理等核心问题。BDL通过为深度学习模型提供概率框架，能够有效解决这些问题，尤其适用于小数据集和科学数据等复杂场景。论文在2024年国际机器学习会议（ICML）上发表，并呼吁学术界更广泛地采用贝叶斯方法。

一种利用符合预测技术进行风险管理的方法论。

online_conformal 是一个在线保角预测算法库，实现了多种算法，能够对随时间任意分布变化的数据进行保角预测。该库特别适用于在线学习和预测场景，提供灵活的算法配置选项，帮助用户在动态数据环境中进行不确定性量化。

Puncc是一个开源的Python库，集成了最先进的置信预测算法及相关技术，适用于回归和分类问题。它可以与任何预测模型结合使用，提供严格的不确定性估计。

Conformal-time-series 是一个专门为时间序列数据设计的工具，它结合了保形预测（conformal prediction）技术和PID控制方法，用于生成时间序列预测的置信区间。该项目不仅提供了对时间序列预测模型的不确定性量化支持，还能与现有的时间序列预测流程无缝集成，适用于多种时间序列预测模型。

Lightrail 是一个开源的 AI 命令栏，旨在通过将基于 LLM 的工具集成到工程和开发工作流程中，简化软件开发过程。它支持多种功能，旨在提高开发效率和灵活性。

Edumiro是一个基于人工智能的数字学习平台，旨在提升学生和教育者的学习体验。它提供自定义工作表生成、实时分析学生进度的工具，以及各种教育项目的支持，如技能提升课程和社区学习。该平台通过创新的人工智能应用，简化教育过程并改善学习成果。

Kodezi ai 是一款旨在提升开发者编码效率的工具，通过自动化文档生成、代码优化和实时调试等功能，帮助开发者简化编码流程、提升代码质量。

AI Content Writer 是一款基于人工智能的内容创作解决方案，帮助企业生成吸引人的内容，适用于博客、文章、社交媒体、亚马逊、Etsy 等多个平台。它提供多种工具和功能，优化广告、创建产品名称，并增强在线存在感。

音乐源分离的小型项目，用简单易懂的方式帮助人们将音乐中的不同声音部分（如人声、乐器声等）分离出来，对于音乐制作和音频处理爱好者来说很有帮助。该项目基于Pytorch实现，使用MUSDB18HQ数据集进行训练和验证，支持音乐中的人声与乐器声分离，适合音频处理初学者，容易上手。