面向概率机器学习信任的分类法
机器学习
2021-12-08 v1 统计方法学
摘要
概率机器学习日益影响着医学、经济学、政治学等领域的 critical 决策。我们需要证据来支持由此产生的决策有充分依据。为助力建立对这些决策的信任，我们开发了一种分类法，厘清分析中的信任可能在何处崩溃：（1）将现实世界目标转换为对一组特定可用训练数据的目标时，（2）将训练数据上的抽象目标转换为具体数学问题时，（3）使用算法求解所述数学问题时，以及（4）使用所选算法的特定代码实现时。我们详述了信任在每一步如何失效，并用两个案例研究阐释该分类法：小额信贷效力分析与《经济学人》对2020年美国总统大选的预测。最后，我们描述了可用于在分类法每一步增强信任的多种方法。该分类法的使用凸显了现有信任研究工作趋于集中的步骤，以及建立信任尤其具挑战性的步骤。
引用
@article{arxiv.2112.03270,
title = {Toward a Taxonomy of Trust for Probabilistic Machine Learning},
author = {Tamara Broderick and Andrew Gelman and Rachael Meager and Anna L. Smith and Tian Zheng},
journal= {arXiv preprint arXiv:2112.03270},
year = {2021}
}
备注
18 pages, 2 figures