Quantifying model uncertainty는 기계 학습 시스템의 신뢰성을 이해하기 위해 필수적입니다. 모델의 예측이 덜 신뢰할 수 있고 가이드 결정 공정이 될 수 있을 때 식별하는 데 도움이 됩니다. 다양한 방법은 장점과 제한으로, 각을 측정할 수 있습니다.

기계 학습에 대한 불확실성 유형

불확실한의 2가지 유형이 있습니다: aleatoric와 epistemic. Aleatoric uncertainty] 데이터에 있는 불완전한 소음에서 일어나고 더 많은 자료를 모이는 것은 감소될 수 없습니다. Epistemic uncertainty]는 모형 모수에 관하여 한정된 지식에서 결과 및 추가 자료 또는 개량한 모형 기술로 감소될 수 있습니다.

Uncertainty를 Quantify하는 방법

몇몇 접근법은 기계 학습 모형에 있는 불확실함을 측정하기 위하여 이용됩니다:

  • 베이시 방법: 모델 파라미터를 통해 전갈 분포를 예측하여 불확실성을 예측합니다.
  • Monte Carlo Dropout]: 여러 예측을 생성하고 가변성을 평가하기 위해 인스퍼트 타임에 드롭아웃을 사용합니다.
  • Ensemble method: 여러 모델에서 예측을 결합하여 출력 중의 차이를 평가합니다.
  • Gaussian Processes: 자연적으로 불확실한 판단을 추정하는 유대적인 프레임워크를 제공합니다.

Practical 신청

퀀텀화 불확실성은 자율 시스템, 의료 진단 및 금융 예측을 포함한 다양한 시나리오에서 유용합니다. 이 시스템은 더 많은 리뷰 또는 인간 개입에 대한 예측을 기화 할 수 있으며 안전과 신뢰성을 향상시킵니다.