אומדנים מהימנים לאי־ודאות בלמידה עמוקה עם אלגוריתמי Metropolis-Hastings יעילים

למה אי־ודאות חכמה יותר חשובה

מתמונות רפואיות ועד רכבים אוטונומיים, בינה מלאכותית מודרנית מקבלת לעתים החלטות שבהן טעות בטוחה עלולה להיות מסוכנת. מערכות למידה עמוקה סטנדרטיות מצטיינות בזיהוי תבניות, אך ידועות כחסרות יכולת אמינה לומר עד כמה הן לא בטוחות. המאמר הזה מתמודד עם הפער: הוא מציג דרכים חדשות בציוד של רשתות עצביות עמוקות באמצעי מדידה מהימנים של אי־ודאות, תוך שמירה על עלויות החישוב הכבדות של שיטות בייסיאניות מסורתיות תחת שליטה.

ציטוט: Schmal, M., Mäder, P. Reliable uncertainty estimates in deep learning with efficient Metropolis-Hastings algorithms. Nat Commun 17, 2531 (2026). https://doi.org/10.1038/s41467-026-70015-z

מילות מפתח: רשתות עצביות בייסיאניות, הערכת אי־ודאות, Monte Carlo המילטוני, אנקומבלים בלמידה עמוקה, stochastic gradient MCMC