抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
機械学習(ML)が再現性と複製危機に直面しているという最近の議論は,ML研究におけるいくつかの出版された主張が,顔値では考慮できないことを示唆する。これらの懸念は,社会的および医療的科学に影響する複製危機への類似性を鼓舞する。それらはまた,因果推論と予測モデリングへの統計的アプローチの統合を呼び起こした。監督されたML研究における再現性の懸念に関するより深い理解は,実験科学における複製危機と共通して,展望における新しい懸念を提起し,研究者が,ML研究者が,それらの限界を理解しなく,また,その逆を理解せずに説明モデリングから借りの方法論を始めるという,研究者が「両方の世界を最悪」に回避するのを助ける。MLで例証されたように,心理学対予測モデリングで例証されるように,因果属性で生じる帰納的学習に関する懸念の比較分析に寄与する。現実世界データ生成プロセスに関する漸近理論と非信用信念に対する過剰信頼性のような改革議論において再発生するテーマを同定した。両分野では,学習からの請求は,研究した特定の環境(例えば,入力データセットまたは対象サンプル,モデリング実装など)の外部を一般化することを意味するが,学習パイプラインにおける分散の混乱しない原因により,しばしば再定義するのは不可能であった。特に,MLで認められる誤りは,膨大なデータセットを用いて予測精度を最適化する長いヘルド信念において亀裂を曝露し,真のデータ生成プロセスを考慮し,性能請求における不確実性を形式的に表現する。誤差の源が誤診され,学習と改革における人間帰納的バイアスの役割を認識する必要があるリスクを考察することにより結論を下した。【JST・京大機械翻訳】