机器能学习真实概率吗？
内容提要
本文批判性回顾了机器学习的主要理论，提出机器学习是函数计算的新理论，挑战了统计学和计算学习的常见假设。讨论了不确定性问题及其对自然语言处理和宏观经济学的影响，强调可信 AI 的属性和模型。研究表明，关注效用而非仅仅准确性对决策支持至关重要，并探讨了不确定性意识的机器学习技术在路径规划中的应用。
延伸解读
机器学习理论的新视角
文章提出机器学习是一种函数计算的新理论，挑战了统计学和计算学习理论中的常见假设。该理论认为，学习真实概率既不等同于获得真实概率的正确计算，也不等同于对其几乎肯定的收敛。这一观点为理解机器学习提供了新的框架，并可能影响自然语言处理和宏观经济学等领域的研究。
不确定性的区分与影响
文章强调在机器学习和统计学中，区分概率和信息性不确定性至关重要。概率不确定性源于随机性，而信息性不确定性源于知识缺乏。分析数据对这些不确定性的影响有助于开发更稳健的模型，特别是在决策支持系统中，理解不确定性类型对模型设计具有实际意义。
可信AI的属性与模型
可信AI需要满足多个属性，包括算法在对事实的情景下工作良好、基于正确特征做出决策。解释性、因果快捷独立性和分布转移稳健性是关键模型属性。这些属性确保AI系统的可信性，即用户能够确认其输出的正确性，这对于AI在关键领域的应用至关重要。
从准确性到效用的转变
文章指出，过分追求预测准确性可能导致期望效用与实际影响之间的重大差距。通过量化效用不确定性和概率估计对预期效用的敏感性，研究提出从纯准确性驱动的方法转向更加注重效用的方法。这种转变对于决策支持系统尤为重要，因为效用评估直接影响决策质量。
Q&A
机器学习如何挑战传统统计学的假设？
机器学习被提出为一种函数计算的新理论，挑战了统计学和计算学习中的常见假设，表明学习真实概率并不等同于正确计算真实概率或几乎肯定的收敛。
不确定性在机器学习中有什么重要性？
不确定性问题在机器学习和统计学中是不可避免的，区分概率和信息性不确定性对理解和应用机器学习至关重要。
可信 AI 需要具备哪些属性？
可信 AI 需要算法在对事实的情景下工作良好，并基于正确特征做出决策，强调解释性、因果独立性和分布转移稳健性。
过分追求预测准确性会导致什么问题？
过分追求预测准确性可能导致期望效用与实际影响之间的重大差距，忽视了对效用的准确可靠评估。
不确定性意识的机器学习技术在什么领域有应用？
不确定性意识的机器学习技术在路径规划中具有重要价值，展示了其在决策支持中的必要性和挑战。
机器学习如何影响自然语言处理和宏观经济学？
文章从新理论的角度讨论了机器学习在自然语言处理和宏观经济学中的案例研究，强调其对这些领域的影响。
