我们真的需要数据吗？

Jan, 2024

Do We Really Even Need Data?

Kentaro Hoffman, Stephen Salerno, Awan Afiaz, Jeffrey T. Leek, Tyler H. McCormick

TL;DR以人工智能和机器学习为基础，本文研究了预测后推断问题的统计挑战，包括预测结果与真实结果之间的关系、机器学习模型对训练数据的鲁棒性以及将预测的偏差和不确定性传播到最终推断过程中。同时与传统领域的相关研究进行对比，揭示了设计在经典和现代推断问题中的作用。

Abstract

As artificial intelligence and machine learning tools become more accessible, and scientists face new obstacles to data collection (e.g. rising costs, declining survey response rates), researchers increasingly us

artificial intelligence machine learning predictions post-prediction inference statistical challenges

发现论文，激发创造

任务无关的机器学习辅助推理

通过机器学习辅助分析和统计学方法的结合，我们提出了一种新的统计框架，用于无任务限制的机器学习辅助推理，可有效实施预测后推理，适用于各种分析框架和实际应用。

May, 2024

预测后的有效推理

该研究提出一种基于先前训练过的机器学习模型进行预测并且进一步推断的方法，并对现有方法的局限性进行了研究，发现提出的方法能够有效控制误差率和提供正确置信区间。

Jun, 2023

基于数据自适应的假设简化和预测后推理

这项研究介绍了一种无假设和数据自适应的后预测推断（POP-Inf）过程，能够基于机器学习预测的结果进行有效和有力的推断，并展示了其优越性和适用性通过模拟和大规模基因组数据。

Nov, 2023

预测驱动的推论

提出了一种利用机器学习进行预测的统计推断框架，可有效计算均值、分位数、线性和逻辑回归系数的置信区间，适用于蛋白质组学、基因组学等多种领域。

Jan, 2023

基于交叉预测的推理

通过交叉预测方法进行有效机器学习推断，通过利用小规模标记数据集和大规模未标记数据集，来修正预测不准确性和潜在偏见，并获得更强大且置信区间更稳定的推断结果。

Sep, 2023

计量经济学中的因果推断和数据融合

本文讨论了人工智能（AI）文献中关于因果推断的近期进展，其具有可自动化的算法标准、中等平衡的优势等特点，有望对计量方法做出贡献。

Dec, 2019

推断时间采样量化预测不确定性

通过后处理的抽样策略估计数据不确定性，该方法可用于任何前馈确定性网络，能生成多样化的预测分布，并与预测误差有着良好的相关性。

Aug, 2023

因果推断综述

本文综述了在潜在结果框架下，针对观察数据的因果推断方法。这些方法分为两类，包括传统的统计学方法和最新的机器学习方法，还介绍了这些方法在广告、推荐、医学等领域的应用以及常用的基准数据集和开源代码。

Feb, 2020

从依赖到因果

机器学习在预测方面已经取得了很大进展，但缺乏通用人工智能，研究表明因果推断是实现机器推理和机器智能的一种重要方法，本文通过统计数据学习框架、分布分类任务和卷积神经网络特征等方面的研究，提出了一种可扩展、具有强大理论保证且在多个实际基准测试中取得最新成果的新因果推断算法。

Jul, 2016

机器学习中的不确定性估计

本文研究基于统计学习理论的机器学习方法中的不确定性问题，并深入探讨了在回归分析中评估模型系数和输出特征值预测中的不确定度。另外，针对机器学习中的模型复杂度和严重非线性等问题提出解决方案，并指出决策制定时需要对机器学习模型和预测进行不确定性评估、风险评估的需求，并提供使用非参数技术解决不确定性问题的方法及最新的超级计算机设备供进行高强度计算。

Jun, 2022