Развитие прикладных методов машинного обучения (МО) для анализа данных в научных приложениях переживает бурный рост. Естественные науки предъявляют особые требования к используемым алгоритмам, с точки зрения их надёжности и оценки качества. В частности, научное измерение должно иметь доверительные интервалы, чьи свойства должны быть строго определены в частотном или байесовском смыслах. Выбор вероятностной интерпретации при этом зависит от конкретного применения.

Хорошо известно, что для машинного обучения характерны сложные ландшафты лосс функций, со множественными минимумами и перегибами, имеющими характерные долины параметров и нелинейности. Подобные формы могут привести к проблемам при построении гарантий на ответ и дальнейшей интерпретации результатов эксперимента.

В этом проекте мы предлагаем разработать и применить методики для оценки погрешности предсказания алгоритмов машинного обучения для физических задач. Группа начала работу в рамках программы «Научный фонд Национального исследовательского университета «Высшая школа экономики» (НИУ ВШЭ)» в 2022 гг., проект № 22-00-025.