利用决策建模挽救数据科学

Jun, 2023

Redeeming Data Science by Decision Modelling

John Mark Agosta, Robert Horton

TL;DR本文提倡数据科学领域采用 AI 中的贝叶斯方法以建立一个新的应用研究方案，其中包含六个决策质量原则，称为 “决策建模”，并以 ROC 曲线和效用模型为例。

Abstract

With the explosion of applications of data science, the field is has come loose from its foundations. This article argues for a new program of applied research in areas familiar to researchers in bayesian methods

data science bayesian methods decision modelling machine learning model formulation

发现论文，激发创造

从 DDMs 到 DNNs: 利用决策过程数据和模型改进人机交互

人工智能研究可以通过更强调决策随时间演变的洞察和整合相关的过程数据来提高对人工智能预测的准确性和人机交互的效果。

Aug, 2023

可解释机器学习的原则和实践

这篇报告对数据驱动方法 - 特别是机器学习和模式识别模型进行了综述和总结，以便于业界从业者和数据科学家更好地理解 “可解释的人工智能” 的领域并应用正确的工具。

Sep, 2020

面向 CRISP-ML (Q) 的机器学习过程模型和质量保证方法论

我们提出了一个适用于机器学习应用程序的过程模型，该模型涵盖从定义范围到维护部署的机器学习应用程序的六个阶段，其中每个阶段都包括适合解决风险挑战的质量保障方法，是一个具有普适性和稳定性的质量保障技术任务的行业和应用程序中性过程模型，该模型扩展了数据挖掘过程模型 CRISP-DM，但缺乏解决机器学习特定任务的能力。

Mar, 2020

数据模型：从训练数据中预测预测

提出一种数据建模框架，可以分析训练数据集对模型行为的影响，通过建立参数化函数，预测数据子集对于训练后的模型的影响并导出各种机器学习应用。

Feb, 2022

贝叶斯数据选择

将数据选择作为决策问题，并通过导出相应的贝叶斯准则为半监督学习中的自我训练等问题提供了贝叶斯最优选择数据的方法。根据模拟和真实数据的实证评估，我们进一步展示了该准则在广义线性模型、半参数广义加性模型和贝叶斯神经网络上减轻了确认偏差的问题。

Jun, 2024

基于图形因果模型的数据驱动因果效应估计：一项调查

本文综述了通过基于图形因果模型的搜索策略，发现因果效应相关有用知识的数据驱动方法，重点讨论这些方法面临的挑战，探讨了方法的假设、优点和局限性，希望这篇文章能够激励更多的研究人员设计更好的数据驱动方法来解决因果效应估计等领域的实际问题。

Aug, 2022

决策基础模型：问题、方法与机遇

本文检查了基于决策制定的基础模型的范围，并提供了理解问题空间和探索新研究方向的概念工具和技术背景。通过各种方法，例如提示、条件生成建模、规划、最优控制和强化学习，审查了将基础模型用于实际决策制定应用的最近方法，并讨论了该领域的常见挑战和开放问题。