Исследователи НИУ ВШЭ математически обосновали лёгкий способ проверять, насколько классическая система машинного обучения уверена в своём результате. Метод требует меньше вычислительных ресурсов и помогает отличить надёжный ответ от предположения, которому лучше не доверять без дополнительной проверки.

Разработка касается стохастического градиентного спуска — популярного алгоритма, который ищет оптимальное решение с элементами случайности. Поэтому одной цифры на выходе недостаточно: важно знать доверительный интервал, то есть диапазон, где с высокой вероятностью находится правильный результат.

Раньше для такой проверки требовались сложные статистические расчёты, а иногда и повторное обучение программы. Новый подход позволяет обойтись без этого. Его уже применяли на практике, а теперь исследователи объяснили, почему он работает, и определили границы его надёжности.

Это особенно важно для медицины, финансов и автономных систем, где опасно полагаться на уверенный, но ошибочный ответ. Метод может упростить и удешевить работу многих классических алгоритмов машинного обучения, которые не используют нейросети.