Новые исследования ставят под сомнение надежность распространенной метрики машинного обучения в задачах предсказания связей
- Исследователи из Калифорнийского университета в Санта-Круз подвергают сомнению метрику AUC, утверждая, что она может завышать успешность предсказания связей в машинном обучении.
- AUC игнорирует математические ограничения в низкоразмерных эмбеддингах, что приводит к неточной оценке производительности предсказания связей.
- Учёные призывают использовать более совершенные метрики для точной оценки алгоритмов машинного обучения и улучшения процесса принятия решений.
Недавние исследования профессора C. «Sesh» Сешахадри и Николя Менанда из Калифорнийского университета в Санта-Круз поставили под сомнение надежность широко используемого метрики при оценке машинного обучения алгоритмов для задач предсказания связей.
Их выводы, опубликованные в Труд Национальной академии наук, подчеркивают значительные математические ограничения в широко используемой метрике площади под кривой (AUC), что может привести к вводящим в заблуждение оценкам производительности алгоритмов.
Вызовы традиционной метрике
Исследование Сешахадри и Менанда оценивает алгоритмы машинного обучения для задач предсказания связей в взаимосвязанных системах, включая платформы социальных сетей и сети биологических исследований.
Предсказание связей, являющееся неотъемлемой частью стратегий роста социальных сетей и научной валидации алгоритмов ML, включает прогнозирование будущих ассоциаций в сети на основе существующих связей.
Исследование показывает, что метрика AUC, которая оценивает производительность алгоритма по шкале от нуля до единицы, не учитывает значительные математические ограничения, присущие использованию низкомерных вложений для предсказания связей.
Эти вложения представляют сущности в сети как векторы в определенном пространстве, облегчая необходимые манипуляции и анализ в процессах машинного обучения. Однако упущение в расчетах AUC может привести к переоценке эффективности задач предсказания связей, представляя излишне оптимистичный взгляд на производительность алгоритмов.
Последствия для машинного обучения
Сешахадри и Менанд утверждают, что выявленные математические ограничения подрывают надежность решений, основанных на производительности предсказания связей, измеряемой с помощью AUC. Следовательно, они выступают за отказ от AUC в пользу новой, более комплексной метрики, которая точно отражает возможности и ограничения алгоритмов предсказания связей алгоритмов.
Этот призыв к методологическому сдвигу имеет далеко идущие последствия для машинного обучения, особенно в приложениях, зависящих от анализа сетей и предсказания связей.
Переход к более точной метрике
Введение более точной метрики производительности имеет решающее значение для повышения надежности задач предсказания связей и улучшения общего доверия к процессам принятия решений в приложениях машинного обучения.
По мере развития этой области внедрение таких метрик обеспечит, чтобы разработка и применение алгоритмов машинного обучения были как научно строгими, так и практически эффективными.
Не просто читайте новости о криптовалютах. Понимайте их. Подпишитесь на нашу рассылку. Это бесплатно.
Отказ от ответственности. Предоставленная информация не является торговой рекомендацией. Cryptopolitan.com Мы не несем ответственности за любые инвестиции, сделанные на основе информации, представленной на этой странице. Мы настоятельно рекомендуем проводить независимое исследование и/или проконсультироваться с квалифицированным специалистом перед принятием любых инвестиционных решений.
Джеймс Киноти
Энтузиаст криптовалют Джеймс получает удовольствие от обмена знаниями в области финтеха, криптовалют, блокчейна и передовых технологий. Его главная страсть — новейшие инновации в криптоиндустрии, криптогейминг, искусственный интеллект, технологии блокчейна и другие смежные направления. Его миссия: быть в курсе трансформационных приложений в различных отраслях.
