تخمین «عدم قطعیت» (Uncertainty Quantification) یکی از چالشهای بزرگ در یادگیری ماشین است که بیشتر در مدلهای طبقهبندی مورد توجه بوده. حالا در یک مقاله پژوهشی جدید، محققان چارچوب متفاوتی را برای تحلیل و ارزیابی عدم قطعیت در مدلهای «رگرسیون» ارائه کردهاند.
این مطالعه با معرفی مجموعهای از اصول آکسیوماتیک، به توسعهدهندگان کمک میکند تا انواع عدم قطعیت (شناختی و تصادفی) را در مدلهای پیوسته بهتر درک و ارزیابی کنند. این گامی مهم برای افزایش اعتمادپذیری مدلهای هوش مصنوعی در کاربردهای حساس است.
منبع: arXiv Machine Learning