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