Resumen: En aplicaciones de alto riesgo, los modelos predictivos no solo deben producir predicciones precisas sino también cuantificar y comunicar su incertidumbre. La predicción de opción de rechazo aborda esto al permitir que el modelo se abstenga cuando la incertidumbre de la predicción es alta. Los enfoques tradicionales de opción de rechazo se centran únicamente en la incertidumbre aleatoria, una suposición válida sólo cuando grandes datos de entrenamiento hacen que la incertidumbre epistémica sea insignificante. Sin embargo, en muchos escenarios prácticos, la escasez de datos hace que esta suposición sea poco realista. Este artículo presenta el predictor epistémico de opción de rechazo, que se abstiene en regiones de alta incertidumbre epistémica causada por datos insuficientes. Basándonos en el aprendizaje bayesiano, redefinimos el predictor óptimo como aquel que minimiza el arrepentimiento esperado: la brecha de rendimiento entre el modelo aprendido y el predictor óptimo de Bayes con pleno conocimiento de la distribución de datos. El modelo se abstiene cuando el arrepentimiento por un insumo determinado excede un costo de rechazo específico. Hasta donde sabemos, este es el primer marco de principios que permite predictores de aprendizaje capaces de identificar entradas para las cuales los datos de entrenamiento son insuficientes para tomar decisiones confiables.
Publicado originalmente en export.arxiv.org el 9 de noviembre de 2025.
Ver fuente original
