深度分析
KappaPlace：以原型錨定與 von Mises–Fisher（vMF）超球面 κ 估計提升視覺地點辨識可靠度
視覺地點辨識（VPR）對自主導航至關重要，但現有方法多半缺乏可校準的不確定性估計。KappaPlace 提出一個 Prototype-Anchored 的監督策略，將影像描述視為超球面上的 von Mises-Fisher 分布，並以輕量化模組預測集中度參數 κ 作為數據性（aleatoric）不確定性代理。
深度分析
視覺地點辨識（VPR）對自主導航至關重要，但現有方法多半缺乏可校準的不確定性估計。KappaPlace 提出一個 Prototype-Anchored 的監督策略，將影像描述視為超球面上的 von Mises-Fisher 分布，並以輕量化模組預測集中度參數 κ 作為數據性（aleatoric）不確定性代理。
HolUE
研究針對開放式文字分類的可信度需求，將 HolUE 方法套用於文字領域，捕捉查詢與資料分布的不確定性。實驗在四大資料集上提升 40% 至 365% 的預測拒絕率，顯示對未知類別的辨識更為安全可靠。