深度学习在科学发现中的应用
使用机器学习的 AI 决策算法越来越普及,在诸如保释听证会、医疗诊断和招聘过程中使用。本文旨在通过探讨透明度和不透明性的因果解释,以及最近有关因果解释价值的工作,为算法的不透明性提出了一个道德关注点:当这些算法用于改变人们生活的决策时,它们会妨碍我们根据我们的目标和偏好有效地塑造自己的生活,从而削弱我们的自主权。作者认为这个问题值得密切关注,因为它为算法决策中的透明度提供了新的工具和新的挑战。
Sep, 2022
深度学习在人工智能研究的各个领域取得了重大进展,对认知科学的哲学具有重要意义,通过克服旧的连接主义模型的局限性,深度神经网络在认知科学的哲学争论中取得了重大进展,并且与哲学和认知科学的跨学科合作有望解决深度神经网络比较评估方面的方法论挑战,哲学家在探索与深度学习和认知的基础问题相关的领域有很大潜力。
May, 2024
本文研究了深度强化学习网络(DRLN)的透明度问题,提出了一种新的通用方法,将显式对象识别处理纳入 DRLN 模型中,形成 “对象显著性地图”,提供 DRLNs 内部状态的可视化,从而促进了系统说明的形成和理解。
Sep, 2018
机器学习(ML)在各个科学领域产生了巨大的影响,然而,ML 具有强大的本体论和认识论,在自然科学中与标准实践和关键哲学观念存在强烈冲突。本文识别了 ML 在自然科学中的一些有价值的应用领域,如使用表达能力强的机器学习模型进行因果推断来表示混淆因素的影响。此外,我们还展示了引入 ML 会引起强烈的、不希望的统计偏差的情况,例如,当 ML 模型用于模拟物理(或基于原理)时,会引入强烈的确认偏差。因此,我们呼吁科学界退后一步,考虑 ML 在各自领域中的作用和价值。
May, 2024
如果将一个自动化人类形式的证明检查器附加到 LLMs / DNNs 这样的机器上,我们可以从中获得先验的数学知识,即使原始机器对我们完全不透明且其输出的证明不可由人审查。
Mar, 2024
探索和研究 AI 驱动的自动闭环科学发现方法,包括自我驱动的假设生成和假设空间的无限自主探索。将自动化纳入科学实践将缓解当前问题,包括发现的复制、数据的系统化生产以及最终的科学过程民主化,具有开创性的视野将释放 AI 在我们的世界基本结构搜索和发现方面的潜力,好过自动化当前工作流程,并打开技术创新的大门,解决人类面临的最大挑战之一。
Jul, 2023
这篇文章利用自然语言处理技术,针对多个领域的相关研究文献分析了深度学习技术的扩散和影响,在研究健康科学的过程中发现,深度学习技术的采用虽然与知识结构的颠覆和再组合的新颖性呈现负相关,但却能提高期望和引用性能方面的变异性。因此,深度学习方法可以作为一种通用的科学方法,以可衡量的方式推动科学的进展。
Sep, 2020
在人工智能系统实现互操作性的过程中,新的伦理问题凸显出来,它们连接了我们生活中的不同领域,而这些领域之间的不同的社会奖励因此会发生改变,同时也会影响到不同领域的正义。然而,将看似相互独立的领域进行联系是知识和科学进步的必要步骤。
Feb, 2022
在过去的十年中,AI 研究严重依赖于构建越来越大的深度学习模型,这一方法在科学技术方面取得了令人难以置信的成就,但也阻碍了 AI 克服与解释能力、伦理危害和环境效率有关的长期限制。通过定性访谈和计算分析,我们对 AI 研究的三段历史追溯了这种 “认识单一文化” 的形成,将其追溯到 20 世纪 90 年代对科学进展进行的根本性重构。
Apr, 2024
通过建立透明的算法模型,研究论文探讨了深度学习的可靠性和信任度,使用数学框架分析了不同计算模型下逆问题的可信解决方案,发现 Blum-Shub-Smale Machines 具有潜力在广泛条件下建立可信的解决方案。
Jan, 2024