Previsioni Posteriori Possibilistiche Approssimate con Dirichlet per l'Incertezza nel Deep Learning

Un nuovo framework chiamato previsioni posteriori possibilistiche approssimate con Dirichlet (DAPPr) affronta il dilemma nella modellazione dell'incertezza epistemica per le reti neurali profonde. Gli approcci bayesiani offrono stime fondate ma sono computazionalmente proibitivi, mentre i predittori efficienti di secondo ordine mancano di derivazioni rigorose. DAPPr sfrutta la teoria della possibilità per definire un posteriore possibilistico sui parametri, lo proietta nello spazio delle previsioni tramite operatori di estremo superiore e lo approssima con funzioni di possibilità Dirichlet apprendibili. Ciò produce un obiettivo di addestramento semplice con soluzioni in forma chiusa, consentendo una quantificazione affidabile dell'incertezza senza calcoli pesanti. Il metodo è introdotto in arXiv:2605.00600.