Autor:

Kałuża, Daniel ; Janusz, Andrzej ; Ślęzak, Dominik

Współtwórca:

Campagner, Andrea - ed. ; Lenz, Oliver Urs - ed. ; Xia, Shuyin - ed.

Tytuł:

Evidence-theoretical modeling of uncertainty induced by posterior probability distributions

Podtytuł:

.

Tytuł publikacji grupowej:

AMCS, volume 35 (2025)

Temat i słowa kluczowe:

theory of evidence ; posterior probabilities ; measures of uncertainty ; active learning

Abstract:

We discuss how the posterior probability distributions produced by machine learning models for analyzed objects can be transformed into evidence-theoretical mass functions that model uncertainties associated with operating those distributions. We investigate the mathematical properties of the introduced mass functions and their corresponding belief functions. We also construct some uncertainty measures based on the functions considered and compare them with several classical uncertainty measures, both theoretically and practically, in the active learning scenarios.

Wydawca:

Zielona Góra: Uniwersytet Zielonogórski

Data wydania:

2025

Typ zasobu:

artykuł

DOI:

10.61822/amcs-2025-0003

Strony:

33-43

Źródło:

AMCS, volume 35, number 1 (2025) ; kliknij tutaj, żeby przejść

Jezyk:

eng

Licencja CC BY 4.0:

kliknij tutaj, żeby przejść

Prawa do dysponowania publikacją:

Biblioteka Uniwersytetu Zielonogórskiego