Breiman 的两种文化：无需选边站

MMApr, 2021

Breiman's two cultures: You don't have to choose sides

Andrew C. Miller, Nicholas J. Foti, Emily B. Fox

TL;DR该论文提出数据分析涉及数据建模和算法建模两种文化之间的选择，而机械模型则提供了一种有效的解决方案，可以生产灵活、可解释、科学的混合模型，以获得准确和稳健的预测，并且可以解决数据分析中的一些挑战。

Abstract

Breiman's classic paper casts data analysis as a choice between two cultures: data modelers and algorithmic modelers. Stated broadly, data modelers use simple, interpretable models with well-understood theoretical properties to analyze data. Algorithmic modelers prioritize predictive a

data analysis data modeling algorithmic modeling mechanistic modeling hybrid models

发现论文，激发创造

重温罗生门：对 “两种文化” 的评论

本文针对 Leo Breiman 的文章《The Two Cultures》进行批判性反思，重点讨论了 Breiman 所谓的 “Rashomon Effect”，探究了许多模型可能有相同的预测精度，但处理数据方式却有很大差异，从而导致根据模型拟合数据得出的结论或自动决策变得困难的现象，同时与机器学习文献相连结并指出应该致力于算法和数据建模文化的合作。

Apr, 2021

基于模型的以数据为中心的人工智能：学术理想与工业实用之间的桥梁

本研究探讨了学术和工业领域中数据的对比角色，突出了数据中心化人工智能和模型不可知人工智能方法之间的差异。我们认为，数据中心化人工智能注重高质量数据对模型性能的重要性，而模型不可知人工智能则更注重算法的灵活性，往往忽视了数据质量的考虑。通过全面分析，我们解决了这些差异带来的挑战，并提出了弥合这一差距的策略。此外，我们提出了一种新的范式：基于模型的数据中心化人工智能，旨在将模型因素纳入数据优化过程中。这种方法强调需要发展对学术研究和工业部署细微差别敏感的数据需求。通过探索这些差异，我们旨在培养对数据在人工智能发展中作用的更加细致的理解，并鼓励学术和工业标准的融合，以增强人工智能在现实世界中的适用性。

Mar, 2024

数据视觉：算法抽象中的学习视觉

本文研究了数据学习环境中机械化应用规则与情境性抉择之间的关系，阐述了数据视力的重要性并讨论了其对数据分析学习、研究和实践的作用。

Feb, 2020

无模型，有模型和通用智能

该研究回顾了人工智能研究的进展，特别是在模型自由学习和模型基础求解器之间的差距，并讨论了如何弥合这一差距以获得具有健壮性和普适性的智能系统。

Jun, 2018

模型选择技术概述

本文综述了模型选择领域的各种方法，包括统计，信息论和信号处理等方面的研究。讨论了模型选择的意义、表现和适用性，并提供了一些关于实践中的争议观点。

Oct, 2018

一种贝叶斯机器科学家用于帮助解决复杂科学问题的方法

引入了一种贝叶斯机器科学家，它使用对模型的后验分布的明确逼近来确定模型的合理性，并通过从数学表达式的大量经验语料库中进行学习来确定模型的先验期望。该方法可以自动从数据中提取精确的模型，并且在合成数据和真实数据上提供比现有方法和其他非参数方法更准确的外样本预测。