文件名称：人和机器的偏见和生产力-研究论文
文件大小：478KB
文件格式：PDF
更新时间：2024-06-29 11:01:07
machine learning training
更好的学习技术（例如机器学习或人工智能）应该在哪里改进决策？ 我开发了一个决策模型，其中更好的学习技术与实验相辅相成。 嘈杂、不一致的决策将准实验变异引入训练数据集，从而补充了学习。 该模型对机器学习算法何时可以改善人类偏见做出异类预测。 这些算法可以消除在历史训练数据中表现出的人为偏见，但前提是人类训练决策的噪声足够大； 否则，算法将编纂或加剧现有的偏见。 算法只需要少量的噪声来纠正导致大生产力扭曲的偏差。 随着噪声量的增加，机器学习可以纠正大的和越来越小的生产力扭曲。 完全消除偏差所需的理论条件是极端的，不太可能出现在真实数据集中。 该模型为为什么从有偏见的历史数据集中学习可能会导致偏见的减少（如果不是完全消除）提供理论微观基础，正如在几个经验设置中所记录的那样。 该模型对机器学习中人类专业知识的使用做出异类预测。 正如先前的研究表明的那样，如果专家的噪音不足，则专家标记的训练数据集可能不是最理想的。 我讨论了对监管、劳动力市场和商业战略的影响。