人工神经网络的证伪主义阐释

机器学习处于统计学与计算机科学的交叉地带。这引发了关于其底层方法论的问题。尽管人们高度重视从数据中学习的过程与归纳之间的密切联系，机器学习中的证伪主义成分却鲜受关注。本文中，我们论证证伪思想对机器学习的方法论而言是核心的。通常认为机器学习算法从过往观测中推断出通用的预测规则。这类似于从数据样本中获得估计量的统计过程。但机器学习算法也可被描述为从一整个函数类中选取一个预测规则。特别地，确定人工神经网络权重的算法通过经验风险最小化运作，并拒绝缺乏经验适当性的预测规则。它还展现出一种隐式正则化的行为，将假设选择推向更简单的预测规则。我们认为，将这两方面结合起来，便给出了一种人工神经网络的证伪主义阐释。