有意义的机器学习
机器学习对社会的当前和未来影响进行了综合分析,包括经济影响、道德和隐私问题以及公众对这项技术的看法,调查显示大部分受访者对机器学习概念有一定了解,相信它对社会有益,认为应优先发展和使用机器学习,研究建议进一步探讨机器学习对社会的影响,建立更强的法律法规以保护个人隐私和权益,增加机器学习决策过程的透明度和问责性,加强公众对机器学习的教育和意识。
Apr, 2024
通过开放研究限制可以提高科学研究的严谨性,确保研究结果的恰当解释,并使研究结果更可信。为了解决机器学习研究社区在揭示和讨论限制方面缺乏规范的情况,我们与 30 位机器学习研究人员进行迭代设计,开发和测试了 REAL ML,这是一组引导活动,可帮助 ML 研究人员识别、探索和表达他们研究的限制。通过三阶段的访谈和调查研究,我们确定了 ML 研究人员对限制的看法,以及他们在识别、探索和阐述限制时面临的挑战。我们开发了 REAL ML 来解决其中一些实际的挑战,并强调了需要更广泛的社区规范才能解决的文化挑战。我们希望我们的研究和 REAL ML 能够推动 ML 研究社区更积极、更恰当地参与限制问题。
May, 2022
通过研究高度引用的机器学习论文,本文发现只有少数论文能够说明其与社会需要的联系,而且更少讨论负面潜力。同时,本文还发现,机器学习研究中经常突出强调的几个价值观,如性能、泛化、量化证据、效率、建立在过去的工作基础之上和创新性等,往往在支持权力集中方面存在着假设和影响。最后,作者发现高度引用的论文越来越多地与科技公司和精英大学有着紧密的联系。
Jun, 2021
本文指出机器学习模型在组织或社会环境中的应用为人们提供价值,因此应该重新评估和选择模型。同时,强调了学习和评估中的价值观念应该起到至关重要的作用,并且不同的模型需要在不同的应用环境中学习和提供不同的价值。最后,提出了这种新的视角和方法对实验数据和人类工作流嵌入模型的影响。
Sep, 2022
该论文调查了部署机器学习模型在实际业务系统中可能遇到的挑战和关注点,并将这些挑战与机器学习部署工作流程的各个阶段对应起来,以期为解决这些挑战探索新的方法和研究方向。
Nov, 2020
通过对高被引机器学习论文进行综合评析,我们揭示了机器学习领域内最有影响力的论文、高被引作者以及合作网络。我们还发现了热门研究主题和最新受到关注的新兴话题,并对高被引论文的地理分布进行了分析,突显了某些国家在机器学习研究中的主导地位。通过为研究人员、政策制定者和实践者提供关于这一快速发展领域的主要进展和趋势的有价值的见解,我们的研究为它们提供了有价值的洞察。
Aug, 2023