Простой метод оценки неопределенности в машинном обучении оказался точным и менее затратным

Исследователи разработали простой и вычислительно легкий метод оценки неопределенности для стохастического градиентного спуска (SGD).
Традиционные способы оценки доверительных интервалов требуют сложных статистических оценок и могут быть неточными.
Новый подход не требует повторного обучения модели и сложных вычислений.
Метод корректно воспроизводит распределение усредненного решения SGD и не нуждается в оценке предельной ковариации.
Математическое доказательство позволяет пересмотреть отношение к простым эмпирическим методам оценки точности в машинном обучении.
Новый метод важен в областях, где важно знать степень уверенности в предсказании, например, в медицине, финансах и автономных системах.