Stellen Sie sich vor, Sie sind Umweltwissenschaftler und untersuchen den m\u00f6glichen Zusammenhang zwischen Luftverschmutzung und einem geringeren Geburtsgewicht in einer bestimmten Gemeinde. Um solche komplexen Zusammenh\u00e4nge zu ergr\u00fcnden, werden in der Regel Modelle des maschinellen Lernens eingesetzt, da diese besonders gut darin sind, komplexe Datenmuster zu interpretieren. Wenn es jedoch darum geht, die St\u00e4rke des Zusammenhangs zwischen Variablen wie Luftverschmutzung und Geburtsgewicht abzusch\u00e4tzen, sind diese traditionellen Modelle m\u00f6glicherweise nicht stichhaltig. Diese Probleme liegen in erster Linie in der Berechnung der Konfidenzintervalle, also der Grenzen der Vorhersagegenauigkeit eines Modells. Zwar sind sie in der Tat von entscheidender Bedeutung, doch erweisen sich die \u00fcblichen Methoden in r\u00e4umlichen Studien, bei denen Faktoren wie Luftverschmutzung von Ort zu Ort variieren k\u00f6nnen, oft als irref\u00fchrend.<\/p>\n
Diese Unsicherheit ist in erster Linie darauf zur\u00fcckzuf\u00fchren, dass herk\u00f6mmliche Verfahren von der Unabh\u00e4ngigkeit und identischen Verteilung der Datenpunkte ausgehen. In der Praxis werden diese Annahmen jedoch h\u00e4ufig nicht erf\u00fcllt. So ber\u00fccksichtigt beispielsweise die US-Umweltschutzbeh\u00f6rde (EPA) bei der Aufstellung von Luftqualit\u00e4tsmessger\u00e4ten oft andere Sensoren in der N\u00e4he, wodurch Abh\u00e4ngigkeiten in den Daten entstehen, die die Modellvorhersagen verf\u00e4lschen k\u00f6nnen.<\/p>\n
Um diese Einschr\u00e4nkungen zu beheben, haben Forscher des MIT einen neuen Ansatz entwickelt, mit dem sich zuverl\u00e4ssige Konfidenzintervalle f\u00fcr r\u00e4umliche Daten generieren lassen. Sie verfolgten einen realistischeren Ansatz, indem sie davon ausgingen, dass sich die Daten r\u00e4umlich gleichm\u00e4\u00dfig \u00e4ndern \u2013 \u00e4hnlich wie die Luftverschmutzungswerte typischerweise von Ort zu Ort allm\u00e4hlich schwanken. Diese Neubewertung stimme besser mit den tats\u00e4chlichen Datentrends \u00fcberein, sagte Tamara Broderick, au\u00dferordentliche Professorin am Institut f\u00fcr Elektrotechnik und Informatik (EECS) des MIT und leitende Autorin der Studie<\/a>.<\/p>\n Um ihre Methode auf die Probe zu stellen, f\u00fchrte das Team eine Reihe von Simulationen durch und wandte sie auf reale Datens\u00e4tze an. Die Ergebnisse zeigten, dass ihre Technik die einzige war, die selbst bei Daten, die mit Zufallsfehlern gespickt waren, durchweg genaue und zuverl\u00e4ssige Konfidenzintervalle lieferte. Broderick arbeitete mit den Co-Erstautoren David R. Burt, einem Postdoktoranden, und Renato Berlinghieri, einem Doktoranden im Fachbereich EECS, sowie mit Stephen Bates, einem Assistenzprofessor im Fachbereich EECS, zusammen. Das Team stellte seine Ergebnisse auf der Konferenz \u201eConference on Neural Information Processing Systems\u201c vor.<\/p>\n Sie identifizierten zudem einige fehlerhafte Annahmen, auf denen verschiedene g\u00e4ngige Methoden beruhen. Dazu geh\u00f6rt die Annahme, dass die f\u00fcr Modelle verwendeten Trainingsdaten die Daten, auf deren Grundlage Vorhersagen getroffen werden, gut widerspiegeln \u2013 was nicht immer der Fall ist. Nehmen wir zum Beispiel an, ein Modell, das mit Daten von st\u00e4dtischen EPA-Messstationen trainiert wurde, wird anschlie\u00dfend f\u00fcr Vorhersagen in l\u00e4ndlichen Gebieten verwendet. Daher er\u00f6ffnet die vom MIT-Team entwickelte neue Methodik vielversprechende Ans\u00e4tze in einer Vielzahl von Disziplinen, von den Umweltwissenschaften bis zur Wirtschaftswissenschaft. Sie d\u00fcrfte die Interpretation von Zusammenh\u00e4ngen zwischen Variablen in unterschiedlichen geografischen Regionen erheblich verbessern. Laut Broderick wurden f\u00fcr eine breite Klasse von Problemen passendere Methoden entdeckt, um die Leistung zu verbessern und zuverl\u00e4ssigere Ergebnisse zu liefern.<\/p>\n Das Team will nun seine Arbeit ausweiten, indem es seine Methode auf verschiedene Arten von Variablen anwendet und neue Bereiche erkundet, in denen sie die Zuverl\u00e4ssigkeit statistischer Sch\u00e4tzungen verbessern k\u00f6nnte. Dieses Projekt wurde durch einen Startzuschuss des MIT-Programms \u201eSocial and Ethical Responsibilities of Computing\u201c (SERC) sowie durch das Office of Naval Research, Generali, Microsoft und die NSF unterst\u00fctzt. Weitere Einzelheiten finden Sie im Originalartikel auf MIT News: Neue Methode verbessert die Zuverl\u00e4ssigkeit statistischer Sch\u00e4tzungen<\/a>.<\/p>","protected":false},"excerpt":{"rendered":" Imagine you’re an environmental scientist studying the potential link between air pollution and lower birth weights in a specific community. To probe such intricate relationships, machine-learning models are typically used as they’re quite adept at making sense of complex data patterns. However, when it comes to estimating the strength of association between variables like pollution and birth weight, these traditional models may not hold water. These issues primarily lie in how confidence intervals, predictive boundaries of a model’s accuracy, are calculated. While they’re indeed vital, the usual methods often prove to be misleading in spatial studies where factors like air […]<\/p>\n","protected":false},"author":4,"featured_media":7571,"comment_status":"","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[47,52],"tags":[],"class_list":["post-7570","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-news","category-ai-productivity","post--single"],"_links":{"self":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/7570","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/comments?post=7570"}],"version-history":[{"count":0,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/7570\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media\/7571"}],"wp:attachment":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media?parent=7570"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/categories?post=7570"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/tags?post=7570"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Grenzen \u00fcberschreiten und in die Zukunft blicken<\/h5>\n<\/p>\n