May, 2024
从可能世界到可能模型：学习不确定数据
Learning from Uncertain Data: From Possible Worlds to Possible Models
Jiongli Zhu, Su Feng, Boris Glavic, Babak Salimi
TL;DR我们介绍了一种从不确定数据中学习线性模型的高效方法，其中不确定性被表示为数据中可能的变化集合，导致预测的多样性。我们的方法利用抽象解释和 zonotopes（一种凸多面体类型）来紧凑地表示这些数据集的变化，从而能够同时对所有可能的世界进行符号执行梯度下降。我们开发了确保该过程收敛到一个固定点的技术，并推导出该固定点的闭合解。我们的方法提供了对所有可能的最优模型和可行预测范围的准确过估计。我们通过理论和实证分析展示了我们方法的有效性，突出了在训练数据中由于数据质量问题而进行模型和预测不确定性推理的潜力。