科技日报柏林7月28日电 （记者李山）德国人工智能研究中心（DFKI）研究团队在日前召开的国际机器学习大会上报告称，在可解释人工智能（AI）领域，“X-hacking”是一个此前被普遍忽视的风险，并呼吁批判性和反思性地使用自动化机器学习（AutoML）工具。
如果AI系统作出了正确预测，但却以完全不同的方式解释其得出的这些结果，会发生什么？DFKI数据科学团队介绍了“X-hacking”给AI可信度带来结构性风险的研究成果。
X-hacking一词源于统计学中的P-hacking。所谓P-hacking指的是研究人员可通过一些数据操作技巧，在统计学上得出一个有显著意义的结果，即使这个结果实际上并无意义。这相当于一种数据篡改，可能会导致发布假阳性结果。
相应的X-hacking描述了两种核心机制：一是Cherry-picking，即从众多同样优秀的模型中，精心挑选出解释能力最强、最能支持预期结果的模型；二是定向搜索，AutoML系统不仅能优化预测性能，还能精准地找到具有特定解释模式的模型。但这里面存在的风险往往被低估。
即使模型得出的结果几乎相同，所谓的特征重要性也可能存在巨大差异。这在医学研究或社会科学等应用领域尤为敏感，因为在这些领域，可解释的模型通常构成关键决策的基础。
AutoML代表了开发、选择和优化机器学习模型的自动化流程。软件工具接管了许多以前只有经验丰富的机器学习工程师才能完成的任务，例如选择合适的模型架构、数据预处理和超参数优化等。在医学、工业或社会研究等数据密集型领域，AutoML有望实现更快的开发速度、更低的进入门槛和可重复的结果。
然而，这种自动化使得人们难以理解模型决策的制定方式，这是可解释AI的一个关键问题。因此，DFKI研究团队建议，使用AutoML的学科应该意识到方法的风险，而不仅仅只是信任软件。
据《自然》消息，与不到10年前相比，每年发表60篇以上论文的研究人员数量增加了四倍。11月24日发表在bioRxiv上的一篇预印本 未来航天会是什么样？它会是在现有技术的基础上缓慢地进步吗？还是会以一种更激进、更意想不到的方式向前？人们能否实现类似 2024年度国家自然科学基金委员会与韩国国家研究基金会合作交流与双边研讨会项目指南 根据国家自然科学基金委员会（NS 12月19日，第二届中国气象旅游产业发展大会在河南三门峡召开。来自中国旅游研究院、中国气象局公共气象服务中心、中国科 “忙”，已经成为很多科研人员的常态，他们忙着很多事，唯独很难静下心来忙学问。 中国科学院院士刘忠范将很多被迫忙碌 美国哈佛大学校长克洛迪娜·盖伊当地时间1月2日发表声明，宣布辞去哈佛大学校长一职。 盖伊在声明中说，她 。本文链接：专家警告：AI系统的可解释性存在欺骗可能http://www.sushuapos.com/show-11-24052-0.html
声明：本网站为非营利性网站，本网页内容由互联网博主自发贡献，不代表本站观点，本站不承担任何法律责任。天上不会到馅饼，请大家谨防诈骗！若有侵权等问题请及时与本网联系，我们将在第一时间删除处理。
上一篇： 海南省科技厅公示1个项目形式审查结果