Neues Verfahren zur Unsicherheitsabschätzung mit variancengesteuerten Verteilungen

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.

Die neue Studie präsentiert einen intuitiven Ansatz, der die Signal‑zu‑Rausch‑Verhältnisse der Klassenwahrscheinlichkeiten über verschiedene Modellvorhersagen hinweg nutzt. Dabei wird ein variancengesteuertes Maß eingeführt, das die Vorhersagen mit einem aus Ensemble‑Daten abgeleiteten Vertrauensfaktor skaliert. Dieses Verfahren ermöglicht nicht nur eine differenziertere Unsicherheitsabschätzung, sondern liefert auch Einsichten in das Phänomen der Diversitätskollaps bei Komitee‑Modellen.