系统化多重性：机器学习中任意性的奇特案例
机器学习
2025-08-11 v2 人工智能
摘要
算法建模依赖于数据中的有限信息来对不可见情景进行外推，往往在决策中嵌入某种任意性。最近引发关注的任意性视角是多重性——即在一组“好模型”(即太可能在实际中部署的模型)上进行任意性研究。本文通过：(a) 对模型设计选择及其对任意性贡献进行术语化建构；(b) 将多重性定义扩展以纳入超出仅预测和解释之外的被低估形式；(c) 澄清多重性与其他任意性视角之间的区别，即不确定性和方差；以及 (d) 将多重性的好处与潜在风险提炼为总体趋势，将其置于负责任 AI 更广阔图景中。我们通过确定开放研究问题并凸显该年轻但快速发展的研究领域中的新兴趋势来总结。
引用
@article{arxiv.2501.14959,
title = {Systemizing Multiplicity: The Curious Case of Arbitrariness in Machine Learning},
author = {Prakhar Ganesh and Afaf Taik and Golnoosh Farnadi},
journal= {arXiv preprint arXiv:2501.14959},
year = {2025}
}
备注
To appear at AIES 2025