Forskere har præsenteret en ny ramme, CG4AI, der adresserer et grundlæggende problem i maskinlæring: standardtræning minimerer tab, men garanterer ikke, at modellen overholder specifikke regler eller begrænsninger på sine output. I applikationer som autonome systemer og netværksrouting er sådanne garantier afgørende. CG4AI bygger en konveks kombination af AI-modeller, mens den håndhæver lineære begrænsninger på det kombinerede output. En master-lineær programmering (LP) bestemmer de optimale vægte, mens en prisunderproblem genererer nye modeller styret af LP-duale variable, hvilket fokuserer på de mest overtrådte begrænsninger. En cutting-plane-procedure udvider garanterne ud over træningssættet. Læs mere på arXiv.
For beslutningstagere betyder dette, at AI-modeller kan blive mere pålidelige i kritiske miljøer, hvor overholdelse af regler er lige så vigtig som nøjagtighed. Eksperimenter på MNIST og SNDLIB-benchmark-netværk viser, at CG4AI producerer gennemførlige forudsigelser med bedre nøjagtighed end enkeltmodel-baselines. Dette kan reducere risikoen ved at implementere AI i regulerede industrier og øge tilliden til AI-systemer i beslutningsprocesser.
