Теория возможностей как альтернатива вероятностным методам в ML
Исследователи из Nanyang Technological University предлагают заменить традиционную теорию вероятностей в машинном обучении на теорию возможностей. В статье разбираются принципы подхода и первые экспериментальные результаты.
В недавней статье на Habr ML (27 сентября 2026) рассказывается о работе учёных из Nanyang Technological University (NTU), которые предлагают использовать теорию возможностей (possibility theory) вместо классической теории вероятностей для построения моделей машинного обучения. Теория возможностей, возникшая в рамках нечёткой логики, оперирует максимальными (maxitive) мерами неопределённости и допускает более гибкое представление «возможных» исходов без строгих требований к точным вероятностным оценкам.
Авторы объясняют, что в традиционных вероятностных моделях часто требуется большое количество данных для надёжной калибровки, а при наличии шумных или редких наблюдений модель может давать переоценённые уверенности. В рамках возможности используют функцию возможности — неравномерный распределитель, где значение 1 обозначает полностью возможный результат, а 0 — невозможный. При этом агрегирование происходит через максимум, а не через суммирование, что упрощает вычисления.
Для проверки гипотезы исследователи реализовали несколько прототипов на задачах классификации. На наборе CIFAR‑10 возможность‑ориентированная сеть достигла 93,2 % точности, превзойдя базовый вероятностный аналог (92,5 %) и сократив время обучения на ~30 %. При сильном дисбалансе классов F1‑score улучшился на 4 пункта, а калибровка предсказаний стала более стабильной. Все модели опубликованы в открытом репозитории GitHub (https://github.com/ntulab/possibility‑ml) и совместимы с PyTorch.
В статье также обсуждаются ограничения: теория возможностей пока не поддерживается большинством библиотек, а её статистическая интерпретация требует новых методов оценки. Тем не менее авторы считают, что подход может стать полезным инструментом в условиях ограниченных данных и высокой неопределённости.
Для более подробного разбора см. оригинальную публикацию на Habr ML и сопутствующий препринт в arXiv.
Для практикующих разработчиков это открывает альтернативный способ работы с неопределённостью, особенно в проектах с небольшими датасетами или шумными метками. Возможность быстрее обучать модели и получать более надёжные калибровки может ускорить прототипирование. Однако пока инструментарий ограничен, и интеграция потребует собственного кода или адаптации существующих фреймворков. Следите за появлением библиотек‑надстроек, чтобы не упустить шанс применить эту идею в реальных продуктах.
