本文通过机器学习算法的方法探测预测模型的有效性,以预测人类生成的随机序列为例,对问题中可预测变量的阐述进行了实验,发现现有的行为模型只能解释大约15%的可预测变化,并提供了一种有效的方法来评估理论在不同情境下的效果,从而得出机器学习在检测理论完整性上的可行性。
Jun, 2017
本文探讨类比推理在应用机器学习中的意义和潜力,提出基于类比的解释可以为出现在机器学习中的预测结果提供有意义的补充,并为此提供了一些例子。
May, 2020
本文综述了近年来人工神经网络和机器学习领域所取得的进展和对于成功和微妙性的理解,通过数值实验和简化模型的分析,以及严谨的数学结果,讨论对于这个快速发展领域最重要的开放性问题。
Sep, 2020
本文旨在提供可解释机器学习的基本原则,解决常见误解,并识别了十个技术挑战领域,包括稀疏逻辑模型、神经网络中的监督和非监督可分离性、增强学习的解释性等。此次调查适用于对可解释机器学习感兴趣的统计学家和计算机科学家。
Mar, 2021
本文探讨了机器学习方法的方法论问题,主要关注了falsification组成部分以及人工神经网络的工作原理,并提出了基于falsification的人工神经网络解释。
May, 2022
本文概述了现有关于计算机生成机器学习模型正式解释的研究,旨在与之前基于非正式解释的方案进行比较,并讨论了各种问题,包括基于不同机器学习模型的最佳逻辑编码以及如何使解释具有可解释性。
Oct, 2022
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
解释算法通常存在解释复杂但不明确的问题,相关研究应明确输出解释解释算法应如何解读,以及可以回答哪些问题和不能回答哪些问题,建立统计和解释之间的区别。
Feb, 2024
机器学习中的理论框架,基于贝叶斯统计和香农信息论,通过分析性能对各种现象进行统一分析,同时提供了对未来研究的指导原则。
Jul, 2024
本文探讨了哲学、认知科学和机器学习中理解概念的多种方法,特别关注它们的数学性质。通过将这些方法分类为抽象主义、相似性方法、功能方法和不变性方法,研究展示了各框架在概念建模中的独特数学视角,并强调跨学科对话的重要性,以增进人类认知与人工智能之间复杂关系的理解。
Aug, 2024