KI News: Kurz und klar.

Forscher haben gezeigt, wie die Symmetrie von vortrainierten Modellen die Genauigkeit von Conformal Prediction (CP) deutlich steigern kann. CP ist ein post-hoc, verteilungsfreier Ansatz zur Unsicherheitsquantifizierung, der unter der Annahme der Austauschbarkeit der Daten formale Abdeckungsgarantien liefert. In langen Missionshorizonten wachsen die Unsicherheitsbereiche jedoch stark, sodass die statistischen Garantien praktisch unbrauchbar werden.

Mit der rasanten Zunahme von erneuerbaren Energiequellen steigt der Bedarf an zuverlässigen, probabilistischen Vorhersagen, die die Stromnetzbetreiber auf aggregierter Ebene unterstützen. In der Praxis verfügen die Betreiber jedoch kaum über fleet‑level Modelle und greifen stattdessen auf standortbezogene Prognosen von unterschiedlichen Drittanbietern zurück.

In der heutigen Forschung, in der komplexe Modelle wie tiefe neuronale Netze eingesetzt werden, ist die zuverlässige Abschätzung von Unsicherheiten entscheidend – besonders bei sicherheitskritischen Anwendungen. Conformal Prediction (CP) bietet dafür ein etabliertes, datenagnostisches Verfahren, das statistische Garantien liefert, ohne Annahmen über die Fehlerverteilung zu treffen. Doch bei kleinen Kalibrierungsdatensätzen, die in vielen realen Szenarien üblich sind, kann die Streuung der Abdeckungswerte stark schwanken, was die Zuverlässigkeit der Unsicherheitsmodelle beeinträchtigt.

In der Forschung zu vertrauenswürdiger KI hat das neue Modell CHiQPM einen bedeutenden Fortschritt erzielt. Es kombiniert globale und lokale Erklärungen in einem einzigen, hierarchisch strukturierten Ansatz, der dem menschlichen Denkprozess sehr nahekommt.

In hochriskanten Bereichen wie der medizinischen Bildgebung ist eine präzise Unsicherheitsabschätzung entscheidend. Conformal Prediction (CP) liefert dafür statistisch gültige Garantien, doch bisherige Verfahren für Ordinalklassifikation stützen sich meist auf Heuristiken oder verlangen, dass das zugrunde liegende Modell eine unimodale Verteilung über die Ordinallabels vorhersagt. Diese Einschränkungen behindern die Analyse von Abdeckungs‑Effizienz‑Trade‑Offs und schränken die Modellunabhängigkeit ein.

Fast alle US-Unternehmen – 99,9 % der Firmen – sind kleine und mittlere Unternehmen (KMU). Trotz ihrer Größe bleiben sie systematisch von modernen KI‑Lösungen ausgeschlossen, weil die meisten Algorithmen große Datenmengen benötigen, die KMU nicht besitzen. Das neue Framework SmallML löst dieses Problem, indem es Bayesian Transfer Learning nutzt und mit nur 50 bis 200 Beobachtungen Unternehmens‑level‑Präzision liefert.

Die Sicherheit von lernbasierten autonomen Systemen ist entscheidend, wenn sie in der Praxis eingesetzt werden sollen. Traditionell nutzt man dafür die Hamilton‑Jacobi‑(HJ)‑Erreichbarkeitsanalyse, um die Rückwärtsreichbare Menge (BRS) von definierten Fehlerzuständen exakt zu bestimmen. Doch die Berechnung der HJ‑Wertfunktion ist bei hochdimensionalen Systemen extrem rechenintensiv, weshalb Forscher verstärkt auf Reinforcement‑Learning‑Ansätze setzen, um die Wertfunktion zu approximieren.

In einer neuen Veröffentlichung auf arXiv wird ein innovatives Verfahren vorgestellt, das digitale Zwillinge von Wasserversorgungsnetzen deutlich effizienter macht. Durch die Kombination von LSTM‑Vorhersagen und Conformal Prediction kann die Unsicherheit an jedem Knotenpunkt exakt geschätzt werden. Dadurch werden Sensorressourcen gezielt dort eingesetzt, wo sie am dringendsten benötigt werden, anstatt gleichmäßig verteilt zu werden.

Conformal Prediction liefert datensatzunabhängige Vorhersageintervalle mit garantierter Randabdeckung. In der üblichen Split‑Conformal‑Variante gilt diese Garantie jedoch nur im Erwartungswert: Bei vielen Kalibrierungsdurchläufen entspricht der durchschnittliche Abdeckungsgrad dem gewünschten Niveau, aber bei einer einzelnen Kalibrierungsmenge kann die tatsächliche Abdeckung stark schwanken. Diese Schwankungen erschweren die effektive Risikosteuerung in praktischen Anwendungen.

Conformal Prediction (CP) ist ein etabliertes Verfahren, das Unsicherheit in maschinellen Lernmodellen quantifiziert und zuverlässige Vorhersagen mit endlicher Stichprobendeckung garantiert. Bei Klassifikationsaufgaben erzeugt CP jedoch eine flache Menge möglicher Labels, die die wahre Klasse mit hoher Wahrscheinlichkeit einschließt, ohne dabei strukturelle Beziehungen zwischen den Klassen zu berücksichtigen.

Conformal Prediction (CP) ist ein bewährtes Verfahren zur Unsicherheitsquantifizierung, das die Punktvorhersage eines vortrainierten Modells in einen Vorhersage‑Set umwandelt. Die Größe dieses Sets spiegelt das Vertrauen des Modells wider. Bei langen Schwanz‑Verteilungen von Labels zeigen herkömmliche CP‑Methoden jedoch oft ein unausgewogenes Coverage‑Verhalten: Die Hauptklassen werden überabgedeckt, während die seltenen Klassen unterabgedeckt bleiben. Dieses Ungleichgewicht gefährdet die Zuverlässigkeit der Vorhersagen für Minderheiten.