【CMU博士论文】经典方法对现代机器学习的改进

文章预览

在过去的十年里，经典机器学习与现代机器学习之间的差距不断扩大。现代学习的预测性能不可比拟地更好，但更容易对经典学习进行分析，并保证其安全性、效率、公平性等特性。在本论文中，我探讨了通过审慎和战略性地结合经典技术，是否有可能将这些期望的特性恢复到现代机器学习中。我将经典与现代学习的结合归纳为两种高级策略：（1）封装，即通过经典分析技术从现代的、不透明的模型中提取可靠的性能保证，或（2）替换，即从经典的基础构建现代模型的某些组件，以提高整体的效率、可处理性和/或表达能力。这些努力在机器学习的多个领域带来了新的进展。 本论文的最重要贡献涉及元分析，这是一种结构化的问答形式，作为循证医学的基础。经典元分析技术基于随机对照试验，其因果效度受到信任；相比之下，现代回归模型是在 ………………………………