Sirvi Kuupäev , alustades "2026-09-28" järgi

Filtreeri tulemusi aasta või kuu järgi

Nüüd näidatakse 1 - 1 1

listelement.badge.access-status Avatud juurdepääs ,
Uncertainty calibration and evaluation in deep neural networks
(Tartu Ülikooli Kirjastus, 2026-09-28) Kängsepp, Markus; Kull, Meelis, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond
Masinõppemudelid on laialdaselt kasutusel mitmesugustes tuvastus- ja ennustusülesannetes, näiteks objektide tuvastamiseks ja nende tulevase asukoha ennustamiseks isejuhtivates sõidukites. Samuti kasutatakse neid üha enam otsuste tegemiseks, sealhulgas valdkondades, kus otsustel on suur mõju, näiteks meditsiinis ja transpordisüsteemides. Tavaliselt on need mudelid tõenäosuslikud, andes lisaks ennustusele ka selle tõenäosuse hinnangu. Mudeli ennustatud tõenäosust võib tõlgendada ka kui mudeli enesekindlust ennustuse õigsuse suhtes. Siiski ei pruugi mudeli enesekindlus alati vastata tegelikkusele. Sellisel juhul ei ole mudel hästi kalibreeritud ja selle enesekindluse hinnangut ei saa täielikult usaldada. Mitteusaldusväärsed hinnangud võivad kaasa tuua vale otsuse. Seetõttu on oluline hinnata mudelite kalibreeritust. Väitekiri koosneb kolmest omavahel seotud uurimusest, mis keskenduvad mudelite enesekindluse hinnangute kalibreerimisega seotud ülesannetele ja probleemidele. Esimeses uurimuses töötati välja uus kalibreerimismeetod, Dirichlet’ kalibreerimine, mis on mõeldud mitmeklassiliste mudelite jaoks, ja pakuti välja uudne regulariseerimismeetod ODIR, mis aitab vähendada ülesobitamist ka suure klassiarvuga klassifitseerijate kalibreerimisel. Teises uurimuses käsitleti kalibreerituse hindamist ja pakuti välja uus vaatenurk, testandmetele sobitamise (fit-on-test) lähenemine. See toob esile probleeme kalibreerimisvea hindamisel ja näitab, et kalibreerimisvea hindamine hõlmab paratamatult ka sobitamist. Lisaks töötati välja uus kalibreerimisvea hindamismeetod, mis on ECE meetodi edasiarendus. Kolmandas uurimuses esitati raamistik, mis hõlmab erinevaid määramatuse hinnanguid ümbritsevate objektide tuvastamiseks, eesmärgiga parandada isejuhtivate süsteemide ohutust ja usaldusväärsust. Kokkuvõttes aitavad need uurimused paremini kalibreerida mudelite enesekindluse hinnanguid, paremini hinnata mudelite kalibreeritust ja esitada erinevaid määramatusi ühtses raamistikus.