論文の概要: A Plea for History and Philosophy of Statistics and Machine Learning

• arxiv url: http://arxiv.org/abs/2506.22236v1
• Date: Fri, 27 Jun 2025 13:59:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 21:12:23.224549
• Title: A Plea for History and Philosophy of Statistics and Machine Learning
• Title（参考訳）: 統計学と機械学習の歴史と哲学
• Authors: Hanti Lin,
• Abstract要約: 歴史と統計哲学の統合は、これまで以上に緊急である。 人工知能の最近の成功は、主に機械学習によって推進されている。 ケーススタディは機械学習における哲学的な考え方であり、そのルーツは、しばしば過小評価される作品にまで遡ることができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The integration of the history and philosophy of statistics was initiated at least by Hacking (1965) and advanced by Mayo (1996), but it has not received sustained follow-up. Yet such integration is more urgent than ever, as the recent success of artificial intelligence has been driven largely by machine learning -- a field historically developed alongside statistics. Today, the boundary between statistics and machine learning is increasingly blurred. What we now need is integration, twice over: of history and philosophy, and of the field they engage -- statistics and machine learning. I present a case study of a philosophical idea in machine learning (and in formal epistemology) whose root can be traced back to an often under-appreciated insight in Neyman and Pearson's 1936 work (a follow-up to their 1933 classic). This leads to the articulation of a foundational assumption -- largely implicit in, but shared by, the practices of frequentist statistics and machine learning -- which I call achievabilism. Another integration also emerges at the level of methodology, combining two ends of the philosophy of science spectrum: history and philosophy of science on the one hand, and formal epistemology on the other hand.
• Abstract（参考訳）: 統計学の歴史と哲学の統合は、少なくともHacking (1965) によって開始され、Mayo (1996) によって進められた。 しかし、人工知能の最近の成功は、統計と共に歴史的に発展した分野である機械学習によって大きく推進されているため、このような統合はかつてないほど緊急である。今日では、統計と機械学習の境界はますます曖昧になっている。私たちが現在必要としているのは、歴史と哲学の2倍、そして彼らが従事する分野 ― 統計と機械学習 ― の統合である。 本稿では、Neyman と Pearson の1936 年の著作(1933 年の古典の追随)において、その根源をしばしば理解されていない洞察に遡ることができる機械学習(および形式的認識論)における哲学的考えのケーススタディを示す。 これは、私がアキバビリズム(chievabilism)と呼ぶ、基本的な仮定(主に暗黙的だが、共有されている)の具体化につながります。 別の統合は方法論のレベルでも現れ、科学スペクトルの哲学の2つの端、一方の科学の歴史と哲学、他方の形式的認識論を組み合わせたものである。

関連論文リスト

• Review and Prospect of Algebraic Research in Equivalent Framework between Statistical Mechanics and Machine Learning Theory [0.0]
  作用素代数のような統計力学における代数的アプローチは、相転移現象を数学的に解析することができることはよく知られている。 この論文は、統計力学と場の量子論の両方において代数研究の先駆者であるアラキ・フジヒロ教授の記憶に捧げられている。
  論文  参考訳（メタデータ） (2024-05-31T11:04:13Z)
• A Triumvirate of AI Driven Theoretical Discovery [0.0]
  近い将来、AIに取って代わられる危険はないが、人間の専門知識とAIアルゴリズムのハイブリッドは、理論的な発見の不可欠な部分になる、と我々は主張する。
  論文  参考訳（メタデータ） (2024-05-30T11:57:00Z)
• AI for Mathematics: A Cognitive Science Perspective [86.02346372284292]
  数学は人間によって開発された最も強力な概念体系の1つである。 AIの急速な進歩、特に大規模言語モデル(LLM)の進歩による推進により、そのようなシステム構築に対する新たな、広範な関心が生まれている。
  論文  参考訳（メタデータ） (2023-10-19T02:00:31Z)
• Sources of Uncertainty in Supervised Machine Learning -- A Statisticians' View [3.0932932099777024]
  監視された機械学習と予測モデルは、今日、印象的な標準を達成し、数年前には理解できなかった質問に答えることが可能になった。 純粋な予測を超えて 不確実性の定量化も重要で必要です 本稿では,概念的,基礎的な科学的な視点を採用し,不確実性の原因について検討する。
  論文  参考訳（メタデータ） (2023-05-26T07:44:19Z)
• A Survey of Deep Learning for Mathematical Reasoning [71.88150173381153]
  我々は過去10年間の数学的推論とディープラーニングの交差点における重要なタスク、データセット、方法についてレビューする。 大規模ニューラルネットワークモデルの最近の進歩は、新しいベンチマークと、数学的推論にディープラーニングを使用する機会を開放している。
  論文  参考訳（メタデータ） (2022-12-20T18:46:16Z)
• Anti-Retroactive Interference for Lifelong Learning [65.50683752919089]
  我々は脳のメタラーニングと連想機構に基づく生涯学習のパラダイムを設計する。 知識の抽出と知識の記憶という2つの側面から問題に取り組む。 提案した学習パラダイムが,異なるタスクのモデルを同じ最適に収束させることができることを理論的に分析した。
  論文  参考訳（メタデータ） (2022-08-27T09:27:36Z)
• Neurocompositional computing: From the Central Paradox of Cognition to a new generation of AI systems [120.297940190903]
  AIの最近の進歩は、限られた形態のニューロコンフォメーションコンピューティングの使用によってもたらされている。 ニューロコンポジションコンピューティングの新しい形式は、より堅牢で正確で理解しやすいAIシステムを生み出します。
  論文  参考訳（メタデータ） (2022-05-02T18:00:10Z)
• The Fairness Field Guide: Perspectives from Social and Formal Sciences [16.53498469585148]
  公正な機械学習と哲学、社会学、法学との相互作用を説明する文献が欠如している。 我々はいくつかの統計学および因果関係に基づく公正な機械学習手法の数学的およびアルゴリズム的背景について述べる。 我々は、社会学的・哲学的な観点から、公正な機械学習への現在のアプローチに対する批判をいくつか探求する。
  論文  参考訳（メタデータ） (2022-01-13T21:30:03Z)
• Knowledge as Invariance -- History and Perspectives of Knowledge-augmented Machine Learning [69.99522650448213]
  機械学習の研究は転換点にある。 研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。 このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
  論文  参考訳（メタデータ） (2020-12-21T15:07:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。