PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.28795v1cs.LG

설계 불편 알고리즘적 머신러닝에 관하여

On design-unbiased algorithmic Machine Learning

k-최근접 이웃(kNN)이나 랜덤 포레스트와 같은 머신러닝(ML) 알고리즘은 진정한 데이터 모델이라는 이상을 포기하고 예측 성능을 우선시한다. 그러나 평균제곱오차(MSE)나 F-점수를 최소화하는 것만으로는 불편성(unbiasedness)을 직접 달성할 수 없으며, 이는 공식 통계 등 많은 상황에서 중요한 성질이다. 본 연구는 진정한 데이터 모델의 존재 및 지식과는 별개로, 주어진 유한 모집단에 대해 불편 예측 또는 분류로 이어지는 알고리즘적 ML의 조건을 분석한다. 구체적으로, 모집단에서 학습 데이터를 샘플링하는 방법, 학습된 예측 알고리즘을 해당 모집단에 대해 불편 예측 또는 분류를 달성하도록 조정하는 방법, 그리고 표본 외(out-of-sample) 예측 또는 분류의 성능을 불편하게 평가하는 방법을 다룬다. 추론은 가정된 분포나 모델이 아닌, 표본 및 학습 세트의 알려진 확률적 설계(probability design)에 기반한다.