- 加州大学圣克鲁兹分校的研究人员对AUC指标提出质疑，认为其可能高估了机器学习链接预测的成功率。
- AUC忽略了低维嵌入中的数学约束，导致对链接预测性能的评估不准确。
- 研究人员呼吁采用更优的指标，以准确评估机器学习算法并提升决策质量。
加州大学圣克鲁兹分校的 C. “Sesh” Seshadhri 教授和 Nicolas Menand 的最新研究对评估机器学习算法用于链接预测任务的广泛使用指标的可靠性提出了质疑。
他们的发现发表在《美国国家科学院院刊》上，突出了常用曲线下面积（AUC）指标中存在的重大数学局限性，可能导致对算法性能的误导性评估。
对传统指标的挑战
Seshadhri 和 Menand 的研究评估了用于链接预测任务的机器学习算法，这些算法应用于互联系统，包括社交媒体平台和生物研究网络。
链接预测是社交网络增长战略和 ML 算法科学验证的重要组成部分，涉及基于现有连接预测网络中的未来关联。
该研究发现，AUC 指标在零到一的范围内对算法性能进行评分，未能考虑到使用低维嵌入进行链接预测所固有的重大数学约束。
这些嵌入将网络中的实体表示为定义空间中的向量，促进机器学习过程中的基本操作和分析。然而，AUC 计算中的疏忽可能导致高估链接预测任务的有效性，呈现对算法性能的过于乐观的看法。
对机器学习的影响
Seshadhri 和 Menand 认为，确定的数学约束破坏了基于 AUC 测量的链接预测性能的决策的可靠性。因此，他们主张放弃 AUC，转而采用一种新的、更全面的指标，以准确反映链接预测算法的能力和局限性。
这种对方法论转变的呼吁对机器学习产生了深远的影响，特别是在依赖网络分析和链接预测的应用中。
迈向更准确的指标
引入更准确的性能指标对于提高链接预测任务的可靠性以及提高机器学习应用中决策过程的整体信任度至关重要。
随着该领域的不断发展，采用此类指标将确保机器学习算法的开发和应用既具有科学严谨性，又具有实际有效性。
不要只是阅读加密货币新闻，要真正理解它。订阅我们的通讯。 免费。
免责声明。 本文提供的信息不构成交易建议。 Cryptopolitan.com 对于基于本页信息进行的任何投资，我们不承担任何责任。我们强烈建议在进行任何投资决策之前，进行独立研究或咨询合格的专业人士。
James Kinoti
加密货币爱好者 James 热衷于分享金融科技、加密货币以及区块链和前沿技术领域的知识。加密货币行业的最新创新、加密游戏、AI、区块链技术以及其他技术是他关注的重点。他的使命是紧跟各行业变革性应用的步伐。
