Jun, 2023

机器学习时代的官方统计数据源变更

PDF
TL;DR本文旨在介绍与数据源变化相关的机器学习应用于官方统计数字时存在的主要风险、责任和不确定性，并提供一份最普遍的变化数据源的清单、更加健壮的数据来源和检查技术、以及全面监测等预防措施，以确保基于机器学习的官方统计数字具有完整性、可靠性、一致性和相关性。
data scienceofficial statisticsmachine learningdata sourcesreliability
发现论文，激发创造
  • 机器学习中的不确定性来源 -- 统计学家的视角

    探讨机器学习和统计学中难以避免的不确定性问题，区分概率和信息性不确定性，并分析数据对这些不确定性的影响。

    May, 2023

  • 数据科学、机器学习和人工智能数据源总览

    数据科学、机器学习和人工智能的最新进展，如大型语言模型的出现，正在导致对可由这些模型处理的数据的不断增加需求。尽管数据来源是应用特定的，而且不可能提供详尽无遗的数据来源清单，但提供一份涵盖多个应用领域的（必然不完整的）数据源列表或综合手册仍将有益于各级资深的数据科学家和机器学习专家。

    Sep, 2023

  • 不可信来源中的健壮学习

    该研究通过统计学习理论视角研究了机器学习中如何从分布式、众包等外部数据源中进行稳健学习，提出了一种通过自动抑制无关或损坏数据的过程， 并通过实验证明其比鲁棒统计和分布式优化的替代方法具有更高的精度和准确性。

    Jan, 2019

  • 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

  • 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

  • 关于具有公平性、隐私和监管规范的负责任机器学习数据集

    在当前人工智能时代，本研究讨论了负责任的机器学习数据集的重要性，并提出了一个评估数据集的负责任框架。通过公平性、隐私保护和合规性等方面的考虑，我们分析了超过 100 个数据集，发现没有一个数据集能免于公平性、隐私保护和合规性问题。我们对数据集的文档化提供了改进建议，并认为在全球范围内的数据保护法规定下，科学界的数据集创建方法需要修订。

    Oct, 2023

  • 关于科学数据在机器学习中的公平透明使用准备情况

    通过分析 4041 篇不同领域的数据论文，本研究提出了一套建议指南，旨在增加数据的准备性，确保其在机器学习技术中的透明和公正使用。

    Jan, 2024

  • 在算法虚假信息检测中应对意外情况：迈向负责任创新议程

    本文基于社会科学和数据科学的交叉领域，探讨了机器学习在应对在线谣言方面的正反两方面影响，剖析了机器学习模型开发中的算法特征，提出了未来的发展方向和对于算法的条理性和责任性。

    Oct, 2022

  • 非正式数据转换有害

    本文认为，人工智能系统受限于所学数据的完整性而非算法的复杂性，并就如何实现企业级更好数据完整性提出非正常方法，即在企业级数据转换（迁移，集成，组合，查询，查看等）过程中形式化自动保证数据的完整性不断得到保留，不需要对数据和依赖于数据的程序进行反复验证，避免了数据湖方法的缺陷。

    Jan, 2020

  • 机器学习研究中的偏见调查

    本文通过为潜在的偏见和数据模型中的错误提供分类法，目的是弥合过去关于偏见的文献以及在机器学习中缺少对其根源或原因的研究。调查分析了机器学习（ML）流程中超过四十个潜在的偏见来源，并且为每个来源提供了明确的示例。通过理解机器学习中偏见的来源和后果，可以开发出更好地检测和减轻偏见的方法，从而得到更公正、更透明和更准确的 ML 模型。

    Aug, 2023