从数据到决策：面向可重复性协作 eScience 的数据中心化基础设施
机器学习
2025-06-23 v1 数据库
数字图书馆
人机交互
摘要
可重复性仍是机器学习（ML）中核心挑战，尤其是在团队在数据、特征和模型上进行迭代的协作式科学项目中。当前的 ML 工作流程往往是动态且碎片化的，依赖非正式的数据共享、临时性脚本和松散连接的工具。这种碎片化阻碍了透明性、可重复性以及实验随时间推移的可适应性。本文引入一种以生命周期为导向的可重复性数据中心化框架，核心包含六类结构化产物：数据集（Dataset）、特征（Feature）、工作流程（Workflow）、执行（Execution）、资产（Asset）以及受控词汇表（Controlled Vocabulary）。这些产物规范了数据、代码与决策之间的关系，使 ML 实验能够实现版本化、可解释性及其随时间的可追溯性。本文通过眼底虹膜糖尿病检测的临床 ML 用例，展示了该系统如何支持迭代探索，提升可重复性，并在 ML 生命周期中保留协作决策的源头信息。
引用
@article{arxiv.2506.16051,
title = {From Data to Decision: Data-Centric Infrastructure for Reproducible ML in Collaborative eScience},
author = {Zhiwei Li and Carl Kesselman and Tran Huy Nguyen and Benjamin Yixing Xu and Kyle Bolo and Kimberley Yu},
journal= {arXiv preprint arXiv:2506.16051},
year = {2025}
}