في عالم التعلم العميق الهندسي، تعتبر التنبؤات القائم على المتجهات التنسورية أمرًا جوهريًا، ومع ذلك، يبقى قياس عدم اليقين (Uncertainty Quantification، UQ) بالنسبة لهذه المخرجات تحديًا قائماً. بينما تتفوق الشبكات العصبية المتوازنة إكليديًا من نوع E(3) في تقدير النقاط، إلا أنها تفتقر إلى وسائل موثوقة لقياس الثقة.

تركز هذه الدراسة على تنبؤات التنسور ذات الرتبة الثانية المتماثلة، حيث يحوي الهدف على ستة إحداثيات كيلفن-مانديل، وتمثل جميع عدم اليقين من خلال مصفوفة Covariance بحجم 6×6. نقدم إطارًا جديدًا لقياس عدم اليقين المتوازن من E(3)، مع نمذجة التوزيع التنبؤي الكامل، حيث يحافظ كل من المتوسط وCovariance على التماثل الدوراني.

يتم تفكيك Covariance إلى تمثيلات قابلة للتحلل، مما يضمن Covariance إيجابية بينما نحتفظ بتماثل دقيق. ومن خلال استخدام خوارزمية Log-Euclidean Equivariant Scoring Objective (LE-ESO) - وهي خسارة بديلة قوية المستندة إلى توزيع Laplace متعدد المتغيرات - يتم تقديم حلول قوية للتعامل مع الأخطاء ذات الذيول الثقيلة وضمان تحسين مستقر.

تظهر التجارب على موادي ModelNet40 وMaterials Project تقنياتنا تتمتع بأداء تنافسي مع تقديم تقديرات عدم يقينية موثوقة ومتماشية مع الواقع، مما يسهل أخذ المخاطر وحساسية OOD بعين الاعتبار. هذه النتائج تعزز أهمية البحث في التنبؤات ، مؤكدة أن تطوير طرق قياس عدم اليقين المتوازنة يعد خطوة رئيسية نحو تحسين التعلم الآلي الهندسي.

ما رأيكم في أهمية قياس عدم اليقين في تطوير تقنيات الذكاء الاصطناعي؟ شاركونا أفكاركم في التعليقات!