تبين أن الطريقة البسيطة لتقدير عدم اليقين في التعلم الآلي دقيقة وأقل تكلفة

تُستخدم الخوارزميات العشوائية، بما في ذلك SGD، على نطاق واسع في مشاكل التحسين والتعلم الآلي. ولأن هذه الخوارزميات تستخدم عناصر العشوائية (على سبيل المثال، مجموعات صغيرة عشوائية من البيانات)، فإن إحدى الخصائص المهمة لحلولها هي فاصل الثقة – النطاق الذي من المرجح أن يقع الحل الحقيقي فيه. تتطلب الطرق التقليدية لإنشاء مثل هذه الفواصل تقديرات إحصائية معقدة، ولا سيما التقدير الصريح لمصفوفة التغاير الهامشي للحل، والتي يمكن أن تكون مكلفة من حيث الوقت والموارد أو تنتج تقديرات غير دقيقة. مصفوفة التغاير هي جدول يوضح مدى ارتباط العديد من المتغيرات العشوائية (السمات أو المعلمات) ببعضها البعض ومدى تشتتها بالنسبة إلى وسائلها. قامت مجموعة دولية من الباحثين بمشاركة ممثلين عن معهد الذكاء الاصطناعي والعلوم الرقمية بكلية علوم الكمبيوتر بالمدرسة العليا للاقتصاد بجامعة الأبحاث الوطنية بتحليل أحد الأساليب الشائعة تجريبيًا لتقدير فترات الثقة لمتوسط ​​​​SGD، والذي لا يتطلب إعادة تدريب النموذج والحسابات المعقدة. أظهر المؤلفون أنه يستنسخ بشكل صحيح توزيع متوسط ​​حل SGD ولا يتطلب تقديرًا صريحًا للتباين الهامشي. تم نشر العمل على خادم ما قبل الطباعة العلمي arXiv.org وتم تقديمه في AISTATS 2026. أوضحت مارينا شيشوكوفا، الباحثة المبتدئة في المختبر الدولي للخوارزميات العشوائية وتحليل البيانات متعددة الأبعاد في معهد العلوم والتكنولوجيا التابع لكلية علوم الكمبيوتر في الجامعة: “لقد تم بالفعل استخدام طرق مماثلة في الممارسة العملية، وغالبًا ما أظهرت نتائج أفضل مقارنة بالبدائل. أردنا أن نفهم سبب هذه الميزة التجريبية وتمكنا من إعطائها تفسيرًا رياضيًا صارمًا”. الجامعة الوطنية للأبحاث المدرسة العليا للاقتصاد. يسمح لنا الدليل الرياضي بإعادة النظر في الأساليب التجريبية البسيطة لتقييم الدقة في التعلم الآلي: سيتمكن المطورون من الحصول على تقديرات موثوقة لعدم اليقين بشكل أسرع وبجهد حسابي أقل. وهذا مهم بشكل خاص في المجالات التي يكون فيها من الأهمية بمكان معرفة ليس فقط التنبؤ، ولكن أيضًا درجة الثقة فيه – على سبيل المثال، في الطب والتمويل والأنظمة المستقلة.