可信机器学习
机器学习
2023-10-13 v1 人工智能
摘要
随着机器学习技术被应用于实际产品与解决方案中，新的挑战已经出现。模型意外地无法泛化到分布上的微小变化，往往对从未见过的新数据表现出过度自信，或无法与终端用户有效沟通其决策背后的原理。总体而言，我们面临着当前机器学习技术的可信性问题。这本关于可信机器学习（TML）的教科书涵盖了 TML 中四个关键主题的理论与技术背景：分布外泛化、可解释性、不确定性量化以及可信性评估。我们讨论了上述领域的经典与当代重要研究论文，并揭示与联系它们背后的直觉。本书由图宾根大学同名课程演变而来，首次开设于 2022/23 冬季学期。它旨在成为一个独立的产品，并附有代码片段以及指向 TML 主题进一步资料的各类指引。本书的专用网站为 https://trustworthyml.io/。
引用
@article{arxiv.2310.08215,
title = {Trustworthy Machine Learning},
author = {Bálint Mucsányi and Michael Kirchhof and Elisa Nguyen and Alexander Rubinstein and Seong Joon Oh},
journal= {arXiv preprint arXiv:2310.08215},
year = {2023}
}
备注
373 pages, textbook at the University of T\"ubingen