普適機(jī)器學(xué)習(xí)pervasivemachinelearning-資料下載頁
2025-07-19 19:03本頁面
【正文】 叉 ， 而交叉領(lǐng)域正是大有可為處 挑戰(zhàn)與機(jī)遇 醫(yī)療： 以乳腺癌診斷為例 ， “ 將病人誤診為健康人的代價 ” 與 “ 將健康人誤診為病人的代價 ” 是不同的 金融： 以信用卡盜用檢測為例 ， “ 將盜用誤認(rèn)為正常使用的代價 ” 與 “ 將正常使用誤認(rèn)為盜用的代價 ” 是不同的 傳統(tǒng)的 ML技術(shù)基本上只考慮同一代價 如何處理代價敏感性 ？ 在教科書中找不到現(xiàn)成的答案 ， 例如： Tom Mitchell, Machine Learning, McGrawHill, 1997 Nils J. Nilsson, Introduction to Machine Learning, draft 1996 2022 例子 1：代價敏感 醫(yī)療： 以乳腺癌診斷為例 ， “ 健康人 ” 樣本遠(yuǎn)遠(yuǎn)多于“ 病人 ” 樣本 金融： 以信用卡盜用檢測為例 ， “ 正常使用 ” 樣本遠(yuǎn)遠(yuǎn)多于 “ 被盜用 ” 樣本 傳統(tǒng)的 ML技術(shù)基本上只考慮平衡數(shù)據(jù) 如何處理數(shù)據(jù)不平衡性 ？ 在教科書中找不到現(xiàn)成的答案 例子 2：不平衡數(shù)據(jù) 醫(yī)療： 以乳腺癌診斷為例 ， 需要向病人解釋 “ 為什么做出這樣的診斷 ” 金融： 以信用卡盜用檢測為例 ， 需要向保安部門解釋“ 為什么這是正在被盜用的卡 ” 傳統(tǒng)的 ML技術(shù)基本上只考慮泛化不考慮理解 如何處理可理解性 ？ 在教科書中找不到現(xiàn)成的答案 例子 3：可理解 走向普適機(jī)器學(xué)習(xí) 把機(jī)器學(xué)習(xí)真正當(dāng)成一種支持技術(shù) 、 服務(wù)技術(shù) ， 考慮不同學(xué)科領(lǐng)域?qū)C(jī)器學(xué)習(xí)的需求 ， 找出其中具有共性的 、 必須解決的問題 ， 并進(jìn)而著手研究 一方面可以促進(jìn)和豐富 ML本身的發(fā)展 ， 另一方面可以促進(jìn)使用 ML技術(shù)的學(xué)科領(lǐng)域本身的發(fā)展 作為 “ 應(yīng)用基礎(chǔ) ” ， 與 “ ML應(yīng)用 ” 有根本的區(qū)別： ? 基礎(chǔ)性：不是直接做應(yīng)用 ， 而是做 “ 更廣泛的應(yīng)用 ”或 “ 更成功的應(yīng)用 ” 所需要的方法和技術(shù) ? 廣泛性：重點(diǎn)不是去解決單一應(yīng)用所面臨的問題 ， 而是要解決眾多應(yīng)用領(lǐng)域所面臨的共性問題 致謝 應(yīng)明生教授：與基礎(chǔ)科學(xué)教科書的比較 王玨教授： 多次富有啟發(fā)性的討論 請各位專家 批評指正
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1