فرض کنید یک دانشمند محیط زیست در حال بررسی این موضوع است که آیا قرار گرفتن در معرض آلودگی هوا با کاهش وزن هنگام تولد در یک شهرستان خاص مرتبط است یا خیر. او ممکن است یک مدل یادگیری ماشین را برای تخمین میزان این ارتباط آموزش دهد، زیرا روش‌های یادگیری ماشین به ویژه در یادگیری روابط پیچیده خوب هستند. روش‌های استاندارد یادگیری ماشین در پیش‌بینی عالی هستند و گاهی اوقات عدم قطعیت‌هایی مانند بازه‌های اطمینان را برای این پیش‌بینی‌ها ارائه می‌دهند. با این حال، آنها به طور کلی تخمین یا بازه‌های اطمینان را هنگام تعیین اینکه آیا دو متغیر مرتبط هستند یا خیر، ارائه نمی‌دهند. روش‌های دیگری نیز برای حل این مشکل ارتباط و ارائه بازه‌های اطمینان توسعه یافته‌اند. اما محققان MIT دریافتند که در تنظیمات مکانی، این بازه‌های اطمینان می‌توانند کاملاً نادرست باشند. وقتی متغیرهایی مانند سطح آلودگی هوا یا بارش در مکان‌های مختلف تغییر می‌کنند، روش‌های رایج برای تولید بازه‌های اطمینان ممکن است ادعا کنند که سطح بالایی از اطمینان وجود دارد، در حالی که در واقع، تخمین به طور کامل نتوانسته مقدار واقعی را ثبت کند. این بازه‌های اطمینان نادرست می‌تواند کاربر را به اشتباه انداخته و او را به اعتماد به مدلی که شکست خورده است، سوق دهد. پس از شناسایی این نقص، محققان روش جدیدی را توسعه دادند که برای تولید بازه‌های اطمینان معتبر برای مشکلاتی که شامل داده‌هایی است که در فضا متفاوت هستند، طراحی شده است. در شبیه‌سازی‌ها و آزمایش‌ها با داده‌های واقعی، روش آن‌ها تنها تکنیکی بود که به طور مداوم بازه‌های اطمینان دقیقی تولید می‌کرد. این کار می‌تواند به بهبود...