Wyobra\u017a sobie, \u017ce jeste\u015b naukowcem zajmuj\u0105cym si\u0119 \u015brodowiskiem, badaj\u0105cym potencjalny zwi\u0105zek mi\u0119dzy zanieczyszczeniem powietrza a ni\u017csz\u0105 wag\u0105 urodzeniow\u0105 w okre\u015blonej spo\u0142eczno\u015bci. Aby zbada\u0107 takie skomplikowane relacje, zwykle stosuje si\u0119 modele uczenia maszynowego, poniewa\u017c s\u0105 one do\u015b\u0107 bieg\u0142e w nadawaniu sensu z\u0142o\u017conym wzorcom danych. Jednak\u017ce, je\u015bli chodzi o oszacowanie si\u0142y zwi\u0105zku mi\u0119dzy zmiennymi takimi jak zanieczyszczenie a mas\u0105 urodzeniow\u0105, te tradycyjne modele mog\u0105 nie wytrzyma\u0107. Kwestie te dotycz\u0105 przede wszystkim sposobu obliczania przedzia\u0142\u00f3w ufno\u015bci, predykcyjnych granic dok\u0142adno\u015bci modelu. Chocia\u017c s\u0105 one rzeczywi\u015bcie istotne, zwyk\u0142e metody cz\u0119sto okazuj\u0105 si\u0119 myl\u0105ce w badaniach przestrzennych, w kt\u00f3rych czynniki takie jak zanieczyszczenie powietrza mog\u0105 si\u0119 r\u00f3\u017cni\u0107 w zale\u017cno\u015bci od lokalizacji.<\/p>\n
Niepewno\u015b\u0107 ta wynika przede wszystkim z tego, \u017ce konwencjonalne techniki opieraj\u0105 swoje za\u0142o\u017cenia na niezale\u017cno\u015bci i identycznym rozk\u0142adzie punkt\u00f3w danych. Jednak rzeczywiste sytuacje cz\u0119sto przecz\u0105 tym za\u0142o\u017ceniom. Na przyk\u0142ad rozmieszczenie monitor\u00f3w jako\u015bci powietrza przez ameryka\u0144sk\u0105 Agencj\u0119 Ochrony \u015arodowiska (EPA) cz\u0119sto uwzgl\u0119dnia inne pobliskie czujniki, tworz\u0105c w ten spos\u00f3b zale\u017cno\u015bci w danych, kt\u00f3re mog\u0105 zmyli\u0107 przewidywania modelu.<\/p>\n
Wychodz\u0105c naprzeciw tym ograniczeniom, naukowcy z MIT zapocz\u0105tkowali nowe podej\u015bcie do generowania wiarygodnych przedzia\u0142\u00f3w ufno\u015bci dla danych przestrzennych. Przyj\u0119li bardziej realistyczne podej\u015bcie, zak\u0142adaj\u0105c, \u017ce dane zmieniaj\u0105 si\u0119 p\u0142ynnie w przestrzeni, podobnie jak poziomy zanieczyszczenia powietrza zwykle zmieniaj\u0105 si\u0119 stopniowo w zale\u017cno\u015bci od lokalizacji. Ta ponowna ocena lepiej odpowiada rzeczywistym tendencjom danych, powiedzia\u0142a Tamara Broderick, profesor nadzwyczajny na Wydziale EECS w MIT i starszy autor badania. badanie<\/a>.<\/p>\n Aby przetestowa\u0107 swoj\u0105 metod\u0119, zesp\u00f3\u0142 przeprowadzi\u0142 seri\u0119 symulacji i zastosowa\u0142 j\u0105 do rzeczywistych zbior\u00f3w danych. Wyniki pokaza\u0142y, \u017ce ich technika by\u0142a jedyn\u0105, kt\u00f3ra konsekwentnie dawa\u0142a dok\u0142adne i wiarygodne przedzia\u0142y ufno\u015bci, nawet w przypadku danych wype\u0142nionych losowymi b\u0142\u0119dami. Broderick wsp\u00f3\u0142pracowa\u0142 z Davidem R. Burtem, doktorem habilitowanym, i Renato Berlinghierim, absolwentem EECS, a tak\u017ce Stephenem Batesem, adiunktem w EECS. Zesp\u00f3\u0142 zaprezentowa\u0142 swoje odkrycia na konferencji po\u015bwi\u0119conej neuronowym systemom przetwarzania informacji.<\/p>\n Zidentyfikowali r\u00f3wnie\u017c pewne b\u0142\u0119dne za\u0142o\u017cenia, od kt\u00f3rych zale\u017c\u0105 r\u00f3\u017cne powszechnie stosowane metody. W\u015br\u00f3d nich jest przekonanie, \u017ce dane treningowe wykorzystywane w modelach s\u0105 dobrym odzwierciedleniem danych, w kt\u00f3rych dokonywane s\u0105 prognozy, co nie zawsze ma miejsce. We\u017amy na przyk\u0142ad sytuacj\u0119, w kt\u00f3rej model wyszkolony na podstawie danych z miejskich monitor\u00f3w EPA jest nast\u0119pnie wykorzystywany do prognozowania na obszarach wiejskich. W zwi\u0105zku z tym nowa metodologia opracowana przez zesp\u00f3\u0142 MIT otwiera obiecuj\u0105ce mo\u017cliwo\u015bci w wielu dyscyplinach, od nauk o \u015brodowisku po ekonomi\u0119. Mo\u017ce ona znacznie poprawi\u0107 interpretacj\u0119 zmiennych zale\u017cno\u015bci w r\u00f3\u017cnych regionach geograficznych. Wed\u0142ug Brodericka, odkryto wi\u0119cej metod dopasowania dla szerokiej klasy problem\u00f3w, aby poprawi\u0107 wydajno\u015b\u0107 i zapewni\u0107 bardziej wiarygodne wyniki.<\/p>\n Zesp\u00f3\u0142 zamierza teraz rozszerzy\u0107 swoj\u0105 prac\u0119, stosuj\u0105c swoj\u0105 metod\u0119 do r\u00f3\u017cnych typ\u00f3w zmiennych i badaj\u0105c nowe obszary, w kt\u00f3rych mo\u017ce ona zwi\u0119kszy\u0107 wiarygodno\u015b\u0107 szacunk\u00f3w statystycznych. Przedsi\u0119wzi\u0119cie to by\u0142o wspierane przez grant zal\u0105\u017ckowy MIT Social and Ethical Responsibilities of Computing (SERC), Office of Naval Research, Generali, Microsoft i NSF. Aby zag\u0142\u0119bi\u0107 si\u0119 w szczeg\u00f3\u0142y, zapoznaj si\u0119 z oryginalnym artyku\u0142em na MIT News: Nowa metoda poprawia wiarygodno\u015b\u0107 szacunk\u00f3w statystycznych<\/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\/pl\/wp-json\/wp\/v2\/posts\/7570","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/comments?post=7570"}],"version-history":[{"count":0,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/posts\/7570\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/media\/7571"}],"wp:attachment":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/media?parent=7570"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/categories?post=7570"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/tags?post=7570"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Przekraczanie granic i patrzenie w przysz\u0142o\u015b\u0107<\/h5>\n<\/p>\n