通过研究机器学习模型的扩展部署，本论文考察了模型和策略交互对规模定律的影响，发现战略交互可能破坏了常规的规模定律，同时提出了一种新的游戏模型选择范式。

Feb, 2024

机器学习任务对输入数据的质量很敏感，但是企业往往难以获得足够的数据集，这些数据集通常在不同的所有者间进行自然分布，这些所有者在实践中可能是下游市场的竞争对手，且不愿意共享信息。我们提出了一种基于贝叶斯框架的回归市场机制，为数据共享提供了经济激励，以解决监督学习回归任务中的这些挑战。我们对市场性质进行了全面的研究，并表明当前文献中类似建议暴露了市场参与者的巨大财务风险，而我们的概率设置可以减小这些风险。

Oct, 2023

通过使用五个模型家族和十二个多项选择基准测试，我们展示了通过负对数似然性能计算的一系列转换逐渐降低了性能和规模之间的统计关系，同时揭示了导致这种降级的机制：下游度量要求将正确的选择与少量特定的错误选择进行比较，这意味着准确预测下游能力不仅要预测概率质量如何在正确选择上随规模集中，还要预测概率质量如何在特定错误选择上随规模波动。

Jun, 2024

通过对探索和竞争之间的相互作用进行实证研究，我们发现：在数字经济中，数据作为进入在线市场的一个障碍，可能促使更好的算法的产生，获得更高的消费者福利；在有竞争的市场中，探索可能会损害系统的声誉，进而降低市场份额，而第一个进入市场的公司则可能促进更好的算法的出现从而提高客户福利。

Feb, 2019

本文介绍了分类和公平制度的基于福利的分析，证明了更严格的公平标准通常不符合社会选择理论和福利经济学中的 Pareto 原理，并表明这些约束往往不能保证公正。

May, 2019

随着数据集规模的增大，对大型人工智能模型进行训练的数据中包含的不同社群数量可能增加，而每个社群可能持有不同的价值观，这对于刻度律模型的性能评估可能存在风险。

Jul, 2023

我们展示了在对撞机物理中，基准顶部与量子色动力学（QCD）喷注分类问题中出现的规模定律。六个不同的受物理驱动的分类器表现出训练集大小的二进制交叉熵测试损失的幂律缩放，具有不同的幂律指数。该结果强调了将分类器作为数据集大小的函数而不是固定训练集进行比较的重要性，因为随着数据集的扩大，最优分类器可能会发生相当大的变化。我们就我们结果的解释进行了推测，与之前观察到的自然语言和图像数据集中的规模定律模型相关。

Dec, 2023

本文介绍了三个案例，分别为教育、公共卫生和政府创新领域，这些组织采用数据科学竞赛来回答紧迫问题，并反思了公开竞赛模式的独特优势。

Jun, 2016

该研究介绍了一种数据分享平衡框架，用于分析数据分享所带来的利益和损失，并研究了市场条件对合作动机的影响。研究结果表明，市场竞争的缩小和更难的学习任务会促进数据分享的合作性。

May, 2023

本研究提出了一个推荐机制，研究了不同算法对用户福利的影响，发现流行度偏见、项目质量和位置偏见可以影响用户选择，通过模拟研究，证明了该算法在可变环境下的有效性及其能够保证高效的后悔性保证。

May, 2023