Uncertainty Quantification in Data Fitting Neural and Hilbert Networks

Wir analysieren die Unsicherheiten in neuronalen und Hilbert-Netzwerken. Die erste Quelle der Unsicherheit ist die Variabilität der Verteilung der Daten in Teilmengen für Training, Test und Validierung. Die Analyse erfolgt auf die Variabilität der Leistung und des Gewichts der Netzwerke. Die Auswirkungen additiver und multiplikativer Geräusche in den Daten werden untersucht. Die Ergebnisse von Neuronalen und Hilbert-Netzwerken werden verglichen. Es scheint, dass Hilbert-Netzwerke robuster sind, aber höhere Rechenkosten implizieren. Die Verteilung der Ergebnisse wird untersucht und es scheint, dass ihre Mittel und Modi verwendet werden können, um die von den Netzen bereitgestellten Schätzungen zu verbessern. Die Erweiterung von Hilbert-Netzwerken auf Element Based Networks wird in Betracht gezogen.