Nuova ricerca mette in discussione l'affidabilità della metrica comune di machine learning nelle attività di previsione dei collegamenti
- Ricercatori dell'UC Santa Cruz mettono in discussione la metrica AUC, sostenendo che potrebbe sovrastimare il successo della previsione di collegamenti nel machine learning.
- L'AUC trascura i vincoli matematici negli embedding a bassa dimensionalità, portando a valutazioni inaccurate delle prestazioni nella previsione di collegamenti.
- I ricercatori chiedono metriche migliori per valutare accuratamente gli algoritmi di machine learning e migliorare il processo decisionale.
Una recente ricerca del Professor C. “Sesh” Seshadhri e Nicolas Menand dell'UC Santa Cruz ha messo in discussione l'affidabilità di una metrica ampiamente utilizzata nella valutazione degli algoritmi di machine learning algoritmi per le attività di previsione dei collegamenti.
I loro risultati, pubblicati negli Atti dell'Accademia Nazionale delle Scienze, evidenziano limitazioni matematiche significative nella metrica comunemente impiegata Area Under Curve (AUC), potenzialmente portando a valutazioni fuorvianti delle prestazioni degli algoritmi.
Sfide alla metrica tradizionale
Lo studio di Seshadhri e Menand valuta gli algoritmi di machine learning per le attività di previsione dei collegamenti in sistemi interconnessi, incluse le piattaforme di social media e le reti di ricerca biologica.
La previsione dei collegamenti, integrante per le strategie di crescita delle reti sociali e la validazione scientifica degli algoritmi ML, prevede la previsione di associazioni future all'interno di una rete basata su connessioni esistenti.
Lo studio rivela che la metrica AUC, che valuta le prestazioni degli algoritmi su una scala da zero a uno, non riesce a tenere conto di vincoli matematici significativi intrinseci nell'uso di embedding a bassa dimensionalità per le previsioni dei collegamenti.
Questi embedding rappresentano le entità all'interno di una rete come vettori in uno spazio definito, facilitando manipolazioni e analisi essenziali nei processi di machine learning. Tuttavia, la mancanza di considerazione nei calcoli AUC può portare a sovrastimare l'efficacia delle attività di previsione dei collegamenti, presentando una visione eccessivamente ottimistica delle prestazioni degli algoritmi.
Implicazioni per il Machine Learning
Seshadhri e Menand sostengono che i vincoli matematici identificati minano l'affidabilità delle decisioni basate sulle prestazioni di previsione dei collegamenti misurate con AUC. Di conseguenza, difendono l'abbandono di AUC a favore di una nuova metrica più completa che rifletta accuratamente le capacità e i limiti degli algoritmi di previsione dei collegamenti algoritmi.
Questa chiamata a un cambiamento metodologico ha implicazioni a lungo raggio per il machine learning, in particolare nelle applicazioni che si affidano all'analisi di rete e alla previsione dei collegamenti.
Passare verso una metrica più accurata
Introdurre una metrica di prestazione più accurata è cruciale per migliorare l'affidabilità delle attività di previsione dei collegamenti e migliorare la fiducia generale nei processi decisionali all'interno delle applicazioni di machine learning.
Mentre il campo continua a evolversi, l'adozione di tali metriche garantirà che lo sviluppo e l'applicazione degli algoritmi di machine learning siano sia scientificamente rigorosi che praticamente efficaci.
Se stai leggendo questo, sei già avanti. Resta così con la nostra newsletter.
Dichiarazione di responsabilità. Le informazioni fornite non costituiscono consigli di trading. Cryptopolitan.com non si assume alcuna responsabilità per eventuali investimenti effettuati sulla base delle informazioni fornite in questa pagina. Si consiglia vivamente di effettuare ricerche indipendenti e/o consultare un professionista qualificato prima di prendere qualsiasi decisione di investimento.
James Kinoti
Appassionato di criptovalute, James trae piacere nel condividere conoscenze su fintech, criptovalute, blockchain e tecnologie all'avanguardia. Le ultime innovazioni nel settore crypto, il gaming crypto, l'intelligenza artificiale, la tecnologia blockchain e altre tecnologie sono i suoi principali interessi. La sua missione: rimanere aggiornato sulle applicazioni trasformative in vari settori.
