4
个编辑
更改
跳到导航
跳到搜索
第19行：
第19行： − − − 在本篇推送中，我们首先给出了稳定学习任务的动机和定义，并总结了稳定学习的主要方法，这些方法包括基于样本加权的变量去相关、对抗稳定学习、异质性风险最小化和稳定学习的理论解释等。随后，我们展示了稳定学习在图学习，深度神经网络中的应用，并讨论了它是如何促进算法的公平性，和处理领域自适应问题的。 −
修改文字描述，使文章更专业化。
崔鹏老师在这篇发表在''Nature Machine Intelligence''的观点论文中提出，为了从根本上解决稳定性、可解释性和公平性的风险，人们需要在机器学习框架中接受并强调因果关系。因果关系实际上刻画了数据生成机制，如果能够识别和估计数据的因果结构，预测建模自然可以作为副产品来解决。遵循着强调因果关系的技术路径，研究者必须解决因果推断的所有挑战。至此，机器学习和因果推断之间形成了共识。崔鹏老师团队和国内外其他团队在这个问题上进行了诸多探索，并形成了“稳定学习”的方向，朝着沟通机器学习和因果推断的目标前进。
崔鹏老师在这篇发表在''Nature Machine Intelligence''的观点论文中提出，为了从根本上解决稳定性、可解释性和公平性的风险，人们需要在机器学习框架中接受并强调因果关系。因果关系实际上刻画了数据生成机制，如果能够识别和估计数据的因果结构，预测建模自然可以作为副产品来解决。遵循着强调因果关系的技术路径，研究者必须解决因果推断的所有挑战。至此，机器学习和因果推断之间形成了共识。崔鹏老师团队和国内外其他团队在这个问题上进行了诸多探索，并形成了“稳定学习”的方向，朝着沟通机器学习和因果推断的目标前进。
==稳定学习的提出<ref>Kuang, K., et al. Stable Prediction across Unknown Environments. in ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. 2018.</ref>==
==稳定学习的提出<ref>Kuang, K., et al. Stable Prediction across Unknown Environments. in ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. 2018.</ref>==