Нет никакого способа, все модели ML не о понимании феноменов, а о методах интерполяции с надеждой, «что это сработает». Начните с таких вопросов уверенности, робустнес на шум нет ответов.
Итак, чтобы получить что-то, пожалуйста, используйте различные прикладные и фундаментальные науки:
Используйте контроль (и сделайте предположение о динамике)
Использовать выпуклую оптимизацию (с некоторыми дополнительными условиями для функции)
Использовать математическую статистику (с предварительными предположениями о распределении)
Использовать обработку сигнала (с некоторыми допущениями, что сигнал ограничен полосой)
Ученый использует некоторые предварительные предположения (так называемые аксиомы), чтобы получить что-то.
Нет никакого способа дать какую-либо уверенность без какого-либо предварительного предположения, поэтому проблема не в методе DL, но это проблема любого метода, который пытается интерполировать без ЛЮБОГО предварительного предположения - нет способа получить что-то интеллектуально без алгебры с помощью алгебры.
NN и различные методы ML предназначены для быстрого прототипирования, чтобы создать «что-то», которое, кажется, работает «в некотором роде», проверено перекрестной проверкой.
Еще глубже регрессионная аппроксимация E [Y | X] или ее оценка может быть абсолютно неверной задачей (возможно, pdf в точке Y = E [Y | X] имеет минимум, а не максимум), и таких тонких много. вещи.
Также позвольте мне напомнить две неразрешимые проблемы в AI / ML, которые по ряду причин могут быть забыты за лозунгами красоты:
(1) Это методы интерполяции, а не экстраполяции - у него нет возможности справляться с новыми проблемами
(2) никто не знает, как любая модель будет вести себя на данных, которые не из того же распределения (человек в костюме банана для локализации пешеходов)