یکی از چالشهای اصلی در هوش مصنوعی، سنجش دقیق میزان اطمینان (Uncertainty) مدلهاست. محققان به تازگی روشی به نام CLEAR را معرفی کردهاند که به طور همزمان هر دو نوع ابهام موجود در دادهها (یعنی نویزهای اندازهگیری یا همان Aleatoric و کمبود داده یا Epistemic) را به شکلی بهینه مدیریت میکند.
این روش با کالیبره کردن پارامترهای پیشبینی، دقت مدلهای رگرسیون را به طور چشمگیری افزایش داده و در تستهای انجام شده روی ۱۷ دیتاست مختلف، تا ۲۸ درصد بهبود در بازههای پیشبینی ثبت کرده است. این متد جدید میتواند عصای دست محققانی باشد که به دنبال مدلهای قابلاعتمادتر و هوشمندتر هستند. 🧠💡
برای مطالعه بیشتر و بررسی جزئیات این دستاورد، میتوانید به صفحه پروژه سر بزنید.
منبع: arXiv Machine Learning