핵심 개념
확률론적 예측에서 우연적 불확실성과 인식론적 불확실성을 정량화하기 위해 적절한 점수 규칙을 기반으로 한 새로운 측정 방법을 제안한다.
초록
이 논문은 기계 학습에서 불확실성 표현 및 정량화의 중요성을 다룬다. 우연적 불확실성과 인식론적 불확실성을 구분하고, 이를 적절한 점수 규칙을 기반으로 정량화하는 새로운 방법을 제안한다.
논문은 다음과 같이 구성된다:
불확실성 표현의 관점에서 결정론적 에이전트, 확률론적 에이전트, 베이지안 에이전트, 레비 에이전트 등 다양한 학습 알고리즘 유형을 소개한다.
기존 연구에서 사용되는 불확실성 정량화 방법, 즉 엔트로피와 상호 정보량을 검토하고, 이에 대한 비판적 논의를 제시한다.
적절한 점수 규칙을 기반으로 한 새로운 불확실성 측정 방법을 제안한다. 베이지안 에이전트와 레비 에이전트에 대해 각각 우연적 불확실성과 인식론적 불확실성을 정량화하는 방법을 소개한다.
제안된 방법의 장점과 기존 방법과의 차이점을 설명한다.
통계
우연적 불확실성은 데이터 생성 과정의 고유한 확률적 특성에서 비롯되며, 인식론적 불확실성은 학습자의 지식 부족에서 기인한다.
베이지안 에이전트의 경우 우연적 불확실성은 조건부 엔트로피로, 인식론적 불확실성은 상호 정보량으로 측정할 수 있다.
레비 에이전트의 경우 우연적 불확실성은 신뢰구간의 상한과 하한으로, 인식론적 불확실성은 신뢰구간 내 확률분포 간 최대 KL divergence로 측정할 수 있다.
인용구
"확률론적 예측에서 우연적 불확실성과 인식론적 불확실성을 구분하고 정량화하는 것은 기계 학습 및 인공지능 연구에서 핵심적인 과제이다."
"적절한 점수 규칙을 기반으로 한 새로운 불확실성 측정 방법은 기존 방법의 한계를 극복할 수 있는 유망한 접근법이다."