KI News: Kurz und klar.

Die präzise Abschätzung von Unsicherheiten ist für maschinelles Lernen von entscheidender Bedeutung, insbesondere in sicherheitskritischen Bereichen. Während die exakte Bayessche Inferenz einen theoretisch fundierten Ansatz bietet, ist sie bei tiefen neuronalen Netzen oft zu rechenintensiv.

Vorwärtsosmose (FO) gilt als vielversprechende, energieeffiziente Membrantrenntechnologie, doch die genaue Modellierung des Wasserflusses (Jw) bleibt schwierig, weil komplexe interne Massentransferphänomene auftreten. Traditionelle mechanistische Modelle kämpfen mit der Variabilität empirischer Parameter, während rein datengetriebene Ansätze physikalische Konsistenz und eine rigorose Unsicherheitsquantifizierung vermissen lassen.

In der Künstlichen Intelligenz stellt die Quantifizierung von Unsicherheiten ein zentrales Problem dar, das Entscheidungen, Risikobewertungen und die Zuverlässigkeit von Modellen stark beeinflusst. Um diesem Problem zu begegnen, stellen die Autoren die Methoden Credal und Interval Deep Evidential Classifications (CDEC bzw. IDEC) vor.

Kolmogorov‑Arnold‑Netze (KAN) haben sich als interpretierbare Alternativen zu klassischen Multi‑Layer‑Perceptrons etabliert. In ihrer Standardform fehlt jedoch eine systematische Möglichkeit, Unsicherheiten zu quantifizieren – ein entscheidendes Feature für viele wissenschaftliche Anwendungen. Mit dem neuen Ansatz Sparse Variational Gaussian Process Kolmogorov‑Arnold Networks (SVGP KAN) wird dieses Problem gelöst.

In hochriskanten Anwendungen müssen Vorhersagemodelle nicht nur präzise Ergebnisse liefern, sondern auch ihre Unsicherheit genau einschätzen und kommunizieren. Das neue Konzept der „epistemischen Reject‑Option“ ermöglicht genau das: Das Modell kann sich zurückziehen, wenn die Unsicherheit aufgrund unzureichender Daten zu groß ist.

In der Bewertung von Unsicherheiten einzelner Vorhersagen neuronaler Netze spielt die Genauigkeit eine entscheidende Rolle, besonders bei Entscheidungen mit hohem Risiko. Traditionell wird die Unsicherheit aus der Vorhersageverteilung von Bayesschen oder approximativen Modellen abgeleitet und in epistemische (modellbezogene) sowie aleatorische (datenbezogene) Komponenten zerlegt. Diese additive Zerlegung steht jedoch zunehmend in der Kritik.