عدم اليقين في المعاملات للنماذج البديلة غير المثالية في نظام الضوضاء المنخفض

ملخص تحدد الانحدارات البايزية المعلمات النموذجية من خلال تقليل الخسارة المتوقعة، وهي حد أعلى لخطأ التعميم الحقيقي. ومع ذلك، فإن هذه الخسارة تتجاهل خطأ شكل النموذج، أو عدم التحديد، مما يعني أن عدم اليقين في المعلمات يتم التقليل من تقديره بشكل كبير ويختفي في حد البيانات الكبيرة. وبما أن عدم التحديد هو المصدر الرئيسي لعدم اليقين في النماذج البديلة لحسابات الضوضاء المنخفضة، مثل تلك الناتجة في المحاكاة الذرية، فإن حالات عدم اليقين التنبؤية يتم التقليل من تقديرها بشكل منهجي. نقوم بتحليل خطأ التعميم الحقيقي للنماذج البديلة المعينة بشكل غير صحيح، وهي نظام ذو أهمية واسعة في العلوم والهندسة. نوضح أنه يجب أن تغطي توزيعات المعلمات اللاحقة كل نقطة تدريب لتجنب الانحراف في خطأ التعميم، ونصمم فرضية متوافقة تتطلب الحد الأدنى من الأعباء للنماذج الخطية. يتم توضيح النهج على مشاكل نموذجية قبل التطبيق على مجموعات بيانات بأبعاد ألفية في التعلم الآلي الذري. يقدم نظامنا الفعال المدرك لعدم التحديد توقعات دقيقة وحدوداً لأخطاء الاختبار من حيث عدم اليقين في المعلمات، مما يسمح بإدماج هذا المصدر الهام من عدم اليقين في سير العمل الحاسوبية متعددة المقاييس.