Yazar
Cerutti, F., Kaplan, L. M., Kimmig, A., Şensoy, Murat
Basım Tarihi
2022-04
Basım Yeri
-
Springer
Konu
Bayes öğrenmesi, Kesin olmayan olasılıklar, Olasılıksal devre
Tür
Süreli Yayın
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Demirbaş Numarası
0885-6125
Kayıt Numarası
118af8df-0649-4c2d-8e4b-e0a904b71a82
Lokasyon
Bilgisayar Bilimi
Tarih
2022-04
Notlar
Amerika Birleşik Devletleri Savunma Bakanlığı ABD Ordusu Araştırma Laboratuvarı (ARL); İngiltere Savunma Bakanlığı
Örnek Metin
Bir yapay zeka sistemiyle iş birliği yaparken onun tavsiyelerine ne zaman güveneceğimizi değerlendirmemiz gerekir. Hata yapma ihtimali olan bölgelerde yanlışlıkla ona güvenirsek, yıkıcı başarısızlıklar meydana gelebilir, dolayısıyla eğitim verilerinin ışığında olasılıklara olan güveni (veya epistemik belirsizliği) belirlemek için olasılıksal akıl yürütme için Bayesci yaklaşımlara ihtiyaç duyulur. Bayes ağlarının yanı sıra çeşitli olasılıksal mantık örneklerini içeren geniş bir olasılıksal akıl yürütme sınıfıyla ilgilenen yaklaşımların çoğunun arkasındaki bağımsızlık varsayımının üstesinden gelen, sonsal dağılımların Bayes çıkarımına yönelik bir yaklaşım öneriyoruz. Eksik, ancak tam gözlemlerden sonsal dağılımların Bayesian çıkarımı için ve olasılıksal devreler tarafından sağlanan birleştirici hesaplama formalizmi içinde manipüle edildiklerinde değişkenler arasındaki bağımlılıkları takip ederek çıkarımlar ve bunların güvenirliğini türetmek için bir algoritma sağlıyoruz. Bu tür devrelerin her bir yaprağı, bize belirsiz olasılıkları temsil etmek için zarif bir çerçeve sağlayan beta-dağıtımlı bir rastgele değişkenle etiketlenir. Epistemik belirsizlik konusunda, ileri düzeyde mühendislik gerektiren yaklaşımlar da dahil olmak üzere en son teknolojiye sahip yaklaşımlardan daha iyi bir tahmin elde ederken, genel devreleri ele alabiliyoruz ve nokta olasılıklarını kullanmaya kıyasla hesaplama çabasında sadece mütevazi bir artış elde ediyoruz.
DOI
10.1007/s10994-021-06086-4
Cilt
111
