面向不透明系统的测量：多源三角测量与可解释机器学习

我们提出一个测量框架，用于难以访问的情境，利用间接数据痕迹、可解释机器学习模型和理论引导的三角测量来填补不可及的测量空间。许多高风险的科学和政策相关系统难以直接访问：感兴趣的动力学是不可观测的，数据是间接且分散在多个来源，真实情况是不存在或被掩盖的。在这些情况下，可用数据通常不足以支持常规的分析策略，例如对单一权威数据流的统计推断或对标记结果的模型验证。为此，我们引入一个面向结构性缺失或对抗性数据的测量框架。我们提出将多源三角测量与可解释机器学习模型结合使用。与依赖对不可观测、不可达理想数据的准确性不同，本框架寻求跨多个独立、部分信息模型之间的一致性。这使得用户能够基于跨信号的一致性或与预期状态的偏离，从而对世界状态作出可辩护的结论。我们的框架为在缺乏足够数据进行常规统计或因果推断的数据 regime 提供了量化表征的分析工作流程。我们通过对一个秘密恐怖组织的组织增长和内部压力动力学的实证分析展示了我们的做法，并显式呈现推断的局限性。结果表明，三角测量和可解释机器学习能够恢复实质性的变异。