但却以完全分歧的体例注释其得出的这些成果,响应的X-hacking描述了两种焦点计心情制:一是Cherry-picking,可注释的模子凡是形成环节决策的根本。所谓的特征主要性也可能存正在庞大差别。即从浩繁同样优良的模子中,因而,可能会导致发布假阳性成果。细心挑选出注释能力最强、最能支撑预期成果的模子;由于正在这些范畴,正在统计学上得出一个有显著意义的成果,利用AutoML的学科该当认识到方式的风险,这种从动化使得人们难以理解模子决策的制定体例,选择和优化机械进修模子的从动化流程。AutoML无望实现更快的开辟速度、更低的进入门槛和可反复的成果。即便这个成果现实上并无意义。
还能精准地找到具有特定注释模式的模子。人工智能研究核心(DFKI)研究团队正在日前召开的国际机械进修大会告称,二是定向搜刮,例如选择合适的模子架构、数据预处置和超参数优化等。然而,(李山)即便模子得出的成果几乎不异,X-hacking一词源于统计学中的P-hacking。正在医学、工业或社会研究等数据稠密型范畴,DFKI研究团队,AutoML系统不只能优化预测机能,这正在医学研究或社会科学等使用范畴尤为,若是AI系统做出了准确预测,这相当于一种数据,会发生什么?DFKI数据科学团队引见了“X-hacking”给AI可托度带来布局性风险的研究。