REAL

Egzakt, véges mintás, sztochasztikus garanciák gépi tanulási módszerekhez

Tamás, Ambrus (2024) Egzakt, véges mintás, sztochasztikus garanciák gépi tanulási módszerekhez. SCIENTIA ET SECURITAS, 4 (4). pp. 302-311. ISSN 2732-2688

[img]
Preview
Text
112-article-p302.pdf - Published Version

Download (1MB) | Preview

Abstract

A gépi tanulás a mesterségesintelligencia-kutatások egyik fő pillére, melynek matematikai hátterét a statisztikus tanuláselmélet biztosítja. A gépi tanulási módszerek bizonytalanságának meghatározása esszenciálissá vált számos alkalmazás esetében, többek között a biztonság, a stabilitás és a minőség garantálása érdekében. Ebben a tanulmányban újra-mintavételező eljáráson alapuló konfidenciahalmaz-becsléseket mutatunk be, amelyek eloszlásfüggetlen és véges mintás korlátokat biztosítanak a becslések bizonytalanságára. A konfidenciahalmazokat egzakt és konzisztens rangtesztek segítségével konstruáljuk meg, és számos példán szemléltetjük. A várható értékre és a feltételes várhatóérték-függvényre adunk halmazbecslést felügyelt tanulási feladatok (regresszió és osztályozás) esetében.

Item Type: Article
Uncontrolled Keywords: bizonytalanság vizsgálat; statisztikus tanuláselmélet; konfidenciahalmazok;
Subjects: Q Science / természettudomány > QA Mathematics / matematika > QA76 Computer software / programozás
T Technology / alkalmazott, műszaki tudományok > T2 Technology (General) / műszaki tudományok általában
SWORD Depositor: MTMT SWORD
Depositing User: MTMT SWORD
Date Deposited: 06 Aug 2024 08:26
Last Modified: 06 Aug 2024 08:26
URI: https://real.mtak.hu/id/eprint/201860

Actions (login required)

Edit Item Edit Item