Исследователи из Наньянского технологического университета и Уорикского университета изучают применение теории возможностей в машинном обучении. Этот подход призван решить проблему галлюцинаций в генеративных моделях, разделяя алеаторную и эпистемическую неопределенности.
В 2025 году ученые представили аналог формулы Донскера-Варадхана для теории возможностей. В отличие от теории вероятностей, где плотность распределения ограничена интегралом, равным единице, теория возможностей позволяет вводить частичный порядок на множестве функций.
Авторы разработали алгоритм оптимизации uCBOpt, адаптированный для теории возможностей. Он включает встроенный механизм weight decay для контроля регуляризации. Тестирование на наборах данных CIFAR-10 и CIFAR-100 показало, что алгоритм uCBOpt-adapt демонстрирует результаты, сопоставимые с классическими вероятностными методами.
Эффективность подхода оценивалась по метрикам точности, ожидаемой ошибки калибровки и площади под кривой точности-полноты. Исследование подтверждает, что теория возможностей может служить альтернативой вероятностному аппарату при описании неопределенности в задачах машинного обучения.
