في عالم التعلم الآلي، يُعتبر عدم اليقين أحد التحديات الكبرى التي تواجه الباحثين والمطورين. ولذلك، فقد تم تصميم مجموعات الإحتمالات المغلقة (Credal Sets) كنموذج طبيعي لتمثيل عدم اليقين الاحتمالي والإبيستيمي (Aleatoric and Epistemic Uncertainty). ومع ذلك، يبقى فهم كيفية قياس هذه الأنواع من عدم اليقين، خاصة في سياق التصنيف متعدد الفئات، موضوعًا يحتاج إلى المزيد من الاستكشاف.

في دراستنا الجديدة، نقدم منهجًا يقوم على المبدأ المسافاتي لقياس عدم اليقين الكلي والاحتمالي والإبيستيمي لمجموعات الإحتمالات. نعرض عائلة من هذه المقاييس ضمن إطار العمل Metrics (IPMs) القائم على الاحتمالات.

تتيح لنا الكميات الناتجة فهمًا دلاليًا واضحًا، إلى جانب مراعاة الشروط النظرية الهامة، مع الحفاظ على القابلية الحاسوبية للنماذج الشائعة.

نبدأ بإثبات هذا الإطار باستخدام مقياس التباين الكلي، مما يوفر مقاييس غير مؤكدة بسيطة وفعّالة تناسب التصنيف متعدد الفئات. في حالة التصنيف الثنائي، يعيد هذا الخيار استرداد مقاييس عدم اليقين المعروفة، حيث كان ينقصها حتى الآن تعميم مضبوط لمجموعات متعددة الفئات.

تؤكد النتائج التجريبية على فعالية هذا المنهج الجديد، مع أداء جيد نسبيًا بتكلفة حاسوبية منخفضة، مما يفتح آفاق جديدة في مجال التعلم الآلي وتحسين نماذج التصنيف.