基于Conformal Prediction的抑郁症预测方法研究 背景介绍 抑郁症是一种常见的心理障碍，表现为持续的悲伤、衰弱以及对活动失去兴趣。它不仅增加了自杀的风险，还给患者及其家庭带来了巨大的心理负担。目前，抑郁症的诊断主要依赖于心理健康报告，如Beck抑郁量表（BDI-II）、Hamilton抑郁评定量表（HRSD）和患者健康问卷（PHQ-8）。然而，这些诊断方法依赖于临床医生的主观经验和患者的认知能力，耗时且效率低下。 近年来，随着深度学习技术的快速发展，基于深度学习的抑郁症预测方法显示出巨大的潜力。然而，这些深度模型通常作为“黑箱”模型部署，缺乏可信度，无法提供预测的置信度。对于抑郁症预测这样的高风险临床应用，不确定性量化在决策过程中至关重要。为此，本研究提出了基于Conform...

知识概率化在集成蒸馏中的应用研究 学术背景：研究的意义与问题的提出 近年来，深度神经网络（Deep Neural Networks, DNN）因其卓越的预测能力，在自动驾驶、医疗诊断、气候预测等安全关键领域得到了广泛应用。然而，这些领域对模型的需求不止于高预测精度，更要求模型能够提供可靠的不确定性量化（Uncertainty Quantification）。尤其是在诸如自动驾驶车辆面对雪天等复杂环境时，模型的过高自信可能导致不安全的决策；因此，增强不确定性量化已成为深度学习应用的重要课题之一。 深度集成学习（Deep Ensemble）因其在提升预测精度和不确定性量化能力方面的显著效果，成为近年来的重要研究方向。然而，集成模型由于需要大规模的计算与存储资源，在实际应用中，尤其是资源有限的环境...