online_conformal开源项目 – 在线保角预测算法库

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。

online_conformal的特点:

1. 支持多种保角预测算法
2. 处理随时间变化的任意分布数据
3. 适用于在线学习和预测场景
4. 提供灵活的算法配置选项

online_conformal的功能:

1. 用于在线学习环境中的预测任务
2. 处理时间序列数据的分布变化
3. 在动态数据环境中进行不确定性量化
4. 适用于金融、医疗等领域的实时预测

相关导航

conformal-time-series开源项目 – 时间序列预测的置信区间生成工具

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。

NeuroBayes Neural Network Package官网 – 贝叶斯神经网络工具

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。

Local Augmentation for Graph Neural Networks – 风险管理的新方法

一种利用符合预测技术进行风险管理的方法论。

lightning-uq-box开源项目 – 提供不确定性量化的PyTorch库

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。

Puncc开源项目 – 集成先进置信预测算法的Python库

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。

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

Conformalized Graph Neural Networks项目旨在通过图形的符合预测技术进行不确定性量化，适用于图形数据分析和机器学习任务的改进。

Position: Bayesian Deep Learning is Needed in the Age of Large-Scale AI论文 – 主张贝叶斯深度学习在现代AI中的必要性

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。