Effiziente Nutzung von Interpolationsmodellen und Fehlerschranken für verifizierbare wissenschaftliche Maschinelles Lernen

In dieser Arbeit wird ein Ansatz für verifizierbare wissenschaftliche Maschinelles Lernen-Workflows vorgestellt, der Interpolationsmethoden und deren Fehlerschranken nutzt, um die Korrektheit und Anwendbarkeit von Vorhersagemodellen zu überprüfen.