非确定性与机器学习代码的无规范性

关于机器学习（ML）的法律文献往往聚焦于危害，因而倾向于对单个模型输出和总体错误率进行推理。这一焦点掩盖了 ML 中根植于其对随机性依赖的重要方面——即随机性与非确定性。尽管近期一些工作已开始探讨法律语境下随机性与任意性之间的关系，但非确定性在更广泛层面的作用仍未被审视。在本文中，我们厘清了这两个概念的重叠与差异，并表明从将 ML 输出视为可能结果上的分布这一视角出发，非确定性的影响及其对法律的含义会变得更加清晰。这种分布视角通过强调 ML 的可能输出来解释随机性。重要的是，此类推理与当前法律推理并不互斥；它补充（事实上可强化）针对特定自动化决策的个体具体输出的分析。通过阐明非确定性的重要作用，我们论证了 ML 代码落入了将“代码即法律”的赛博法框架之外，因为该框架假定代码是确定性的。我们以简要讨论 ML 可做的何种工作来约束非确定性潜在致害效应作结，并指出法律必须在何处着力以弥合其当前个体输出焦点与我们推荐的分布方法之间的鸿沟。