Jun, 2021

机器学习研究中编码的价值观

PDF
TL;DR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。
machine learningvaluesresearch papersperformancepower
发现论文，激发创造
  • 重新思考和重新计算机器学习模型的价值

    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

  • 机器学习中的价值观学科转变

    通过科学哲学的视角分析机器学习学科，开发一个概念框架以评估机器学习模型发展的过程，并探讨价值观如何影响该学科的发展和模型类型的崛起。我们认为模型类型的崛起是自我强化的，并且模型类型的评估会编码社会和政治价值观，例如围绕计算和数据密集型环境的评估方式关注权力集中、隐私和环境保护等价值观。因此，需要考虑纪律层面的干预以应对与学科整体相关的不良价值观。

    Dec, 2019

  • 有意义的机器学习

    机器学习的研究应更加关注数据集、评估指标、以及研究结果在学科领域中的传播，作者提出了 6 个目标挑战以促进机器学习的实际应用。

    Jun, 2012

  • 六十年来具有重要影响力和高引用量的机器学习研究综合研究

    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

  • 机器学习学术研究中令人担忧的趋势

    本文研究机器学习的研究领域，在探讨了机器学习领域中出现的四种不良趋势的同时，提供了对应的解决方法和可能产生不良趋势的原因。

    Jul, 2018

  • 垃圾输入，垃圾输出？社交计算机中的机器学习应用论文是否报道了人工标记训练数据的来源？

    本文研究了在社交计算领域，针对 Twitter 数据执行 ML 分类任务，是否具有遵循模板的最佳实践方法，结果显示，大多数人都没有遵循规则，从而导致数据不可靠。

    Dec, 2019

  • 使分类器能够明确地与人类价值观保持一致

    该研究介绍了一个基于明确人类价值观的价值对齐分类框架，并从大规模语言模型中提炼价值对齐知识以构建分类器，结果表明使用显式人类价值观分类器能提高人工智能的包容性和可解释性。

    Oct, 2022

  • 机器学习对社会的影响：当前趋势和未来影响的分析

    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

  • 自然发生故事原则预测的机器学习方法

    本文探讨了利用机器学习模型对故事数据进行规范原则预测的任务，研究表明，单独的原则可以被分类，但 ' 道德准则 ' 的不确定性对于人类和自主系统来说都是一个挑战。

    Nov, 2022

  • 位置：机器学习中接受负面结果

    机器学习方法、预测性能、负面结果、效率低下、科学产出

    Jun, 2024