В России упростили оценку точности классического машинного обучения
Новый подход поможет существенно уменьшить затраты на работу классических форм искусственного интеллекта. Открытие особенно актуально для медицины, финансов и автономных систем, где критически важно знать степень уверенности в принятом решении.
«Математическое доказательство позволяет пересмотреть отношение к простым эмпирическим методам оценки точности в машинном обучении: разработчики смогут получать надежные оценки неопределенности быстрее и с меньшими вычислительными затратами», – сообщили ТАСС в пресс-службе НИУ ВШЭ.
Алгоритмы стохастического градиентного спуска содержат элементы случайности, поэтому для них необходимо строить доверительные интервалы. Традиционные способы требуют сложных статистических расчетов, отнимающих много времени и вычислительных мощностей.
Младший научный сотрудник вуза Марина Шешукова пояснила, что подобные простые методы уже применялись на практике и показывали хорошие результаты. Теперь исследователям удалось найти причину этого преимущества и дать ему строгое математическое объяснение.
Как писала газета ВЗГЛЯД, Государственная дума приняла в первом чтении законопроект для поддержки разработчиков отечественных технологий искусственного интеллекта.
Ранее команда из Университета Решетнева создала методику избавления нейросетей от недостоверных фактов. А ученые из ЛЭТИ разработали нейроморфную систему для сокращения использования вычислительных ресурсов в процессе машинного обучения.