当与人工智能系统合作时，我们需要评估何时信任它的建议。假设我们错误地相信了它可能出错的区域。在这种情况下，可能会发生灾难性的故障，因此需要使用贝叶斯方法进行推理和学习，以确定查询结果的概率的置信度(或认知不确定性)。然而，纯贝叶斯方法的计算成本很高。为了克服它们，我们恢复到高效和有效的逼近。在本教程中，博士生和早期研究人员将被介绍到技术的名称为证据推理和学习，从贝叶斯更新给定假设的过程中基于额外收集的证据。该教程为读者提供了一个关于证据推理与学习的调研领域，包括最新的研究成果。
链接：https://federico-cerutti.unibs.it/tutorials/2022-ijcai-erl/
