Tamás, Ambrus (2024) Egzakt, véges mintás, sztochasztikus garanciák gépi tanulási módszerekhez. SCIENTIA ET SECURITAS, 4 (4). pp. 302-311. ISSN 2732-2688 10.1556/112.2023.00176

Text Tamas_302_35161092_ny.pdf Download (1MB)

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 > QA Mathematics and Computer Science > QA75 Electronic computers. Computer science / számítástechnika, számítógéptudomány
Divisions:	Research Laboratory on Engineering & Management Intelligence
SWORD Depositor:	MTMT Injector
Depositing User:	MTMT Injector
Date Deposited:	07 Aug 2024 13:13
Last Modified:	07 Aug 2024 13:13
URI:	https://eprints.sztaki.hu/id/eprint/10776

Update Item