Investigadores de la HSE University han justificado matemáticamente una forma sencilla de verificar la confianza de un sistema clásico de aprendizaje automático en sus resultados. El método requiere menos recursos computacionales y ayuda a distinguir una respuesta fiable de una suposición en la que es mejor no confiar sin una verificación adicional.

El desarrollo se refiere al descenso de gradiente estocástico, un algoritmo popular que busca una solución óptima con elementos de aleatoriedad. Por lo tanto, una sola cifra de salida no es suficiente: es importante conocer el intervalo de confianza, es decir, el rango donde el resultado correcto se encuentra con alta probabilidad.

Anteriormente, dicha verificación requería cálculos estadísticos complejos y, a veces, un reentrenamiento del programa. El nuevo enfoque permite prescindir de esto. Ya se ha aplicado en la práctica, y ahora los investigadores han explicado por qué funciona y han determinado los límites de su fiabilidad.

Esto es especialmente importante para la medicina, las finanzas y los sistemas autónomos, donde es peligroso confiar en una respuesta segura pero errónea. El método puede simplificar y abaratar el trabajo de muchos algoritmos clásicos de aprendizaje automático que no utilizan redes neuronales.