Nov, 2020

机器学习研究中的陷阱：重新审视开发周期

PDF
TL;DR本研究从算法设计到数据收集到模型评估的全过程，引起注意常见陷阱，并提供实用建议以改进机器学习，通过案例研究强调这些缺陷在实践中如何发生以及在哪里可以进行改进。
发现论文，激发创造
  • AI 竞赛与基准测试：数据集开发

    发展机器学习数据集的方法论和实践经验，涵盖数据准备、集合、质量评估等方面。

    Apr, 2024

  • 通过提供最佳支持环境来优化 AI 开发过程

    本研究旨在研究人工智能（AI）和机器学习（ML）应用程序的开发过程，为其提供最佳支持环境，并构建了一个使用深度学习技术进行数据增强的框架来解决数据不足的问题。

    Apr, 2023

  • 数据及其 (不) 内容：机器学习研究中数据集开发与使用调查

    本文综述了在机器学习中收集和使用数据的许多问题和担忧，并提倡通过更谨慎和深入的数据理解来解决实践和伦理问题。

    Dec, 2020

  • 超越发展：部署机器学习模型用于结构工程应用的挑战

    通过两个实例，本文旨在阐明开发适用于应用的机器学习模型的挑战，强调了通过自适应采样、物理学知识导向的特征选择以及考虑模型复杂性和泛化能力来实施严格的模型验证技术的重要性。

    Apr, 2024

  • 深度学习的 HARK 面 -- 从研究生下降到自动化机器学习

    本文探讨了机器学习研究中存在的反复假设问题、负面结果的报道和算法的泛化能力。此外，从算法决策的责任、公正、道德和隐私保护的角度讨论了机器学习研究和发展的前景。

    Apr, 2019

  • 循着最佳实践指引的机器学习

    本文旨在通过分析机器学习在软件工程中的最佳实践，填补现有文献不足的空缺，并针对机器学习应用所面临的挑战和开发过程，提出一系列以软件工程视角为基础的建议。

    Apr, 2023

  • 部署机器学习的挑战：案例研究调查

    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

  • 机器学习科学中的科学方法

    本文讨论了将深度学习与科学相结合以解决机器学习系统中的严谨性、安全性和可解释性的问题，并提出了关键缺失的假设和测试阶段以及统计和系统不确定性估计。同时，探讨了当前科学在其他领域中的应用，为机器学习研究人员提供了一些有用的实践建议。

    Apr, 2019

  • 机器学习驱动研究的可重现性

    面对研究的可重复性危机，机器学习和人工智能研究也面临同样的问题。虽然研究社区已经提出了不同的解决方案如使用机器学习平台，但机器学习驱动的研究的可重复性水平并没有显著提高。本文通过综述相关文献，讨论机器学习驱动研究中的可重复性问题和障碍，并探索工具、实践和干预等潜在驱动因素，提供对于支持机器学习可重复性的不同解决方案可行性的决策支持。

    Jul, 2023

  • 为视觉隐私研究提出交互式审计流程

    本篇论文旨在通过对视觉隐私问题的分析，系统地研究机器学习流程中的公平性、隐私、人类干预以及潜在的社会伦理问题，从而提高相关利益相关者（研究人员，模型构建者，企业等）的认识与责任意识。

    Nov, 2021