Обучение кредальной машине в целях принятия решений с учетом факторов риска

arXiv:2610.121115v1 Annuales Type: cross Brieft: Во многих программах машинного обучения необходимо остерегаться худших сценариев и прогнозов, которые могут привести к значительным потерям. В принципе это может быть достигнуто за счет подготовки моделей прогнозирования риска, позволяющих свести к минимуму такие функции потерь, как условное значение по риску (КВЖД), а не использования моделей, которые работают в среднем хорошо. Однако на практике эффективность такого подхода к отвращению от рисков подрывается неопределенностью учащегося в отношении подлинного распределения потерь и, следовательно, истинной CVaR. Для обеспечения надежного отказа от рисков мы предлагаем метод, в рамках которого эта (эпистемическая) неопределенность представлена с точки зрения кредальных наборов, т.е. наборов распределения вероятности. Если говорить более конкретно, то мы разрабатываем эффективный и в то же время надежный учащийся, который производит прогнозы в форме кредальных наборов и комбинирует их с новым правилом принятия решений, которое картирует каждый кревельский набор для одного прогнозного распределения CVAR