解答未知——機器學習的創新之舉

這些彩色地圖形狀各異。每種形狀代表一種不同的假設方式，它能夠回答一個複雜問題。通過機器學習，研究人員可以多次測試同一假設以找到最佳答案。

越來越多的生物學家開始使用計算模型來解釋複雜系統，比如：在神經科學領域，研究人員正在嘗試調試用於預測天氣或過濾垃圾郵件的算法，以了解大腦神經網絡的信息處理機制。美國冷泉港實驗室助理教授Tatiana Engel的新研究為生物學家的模型使用提供了重要指導。通過測試神經系統的各種計算模型，她和博士後研究員Mikhail Genkin發現：一個模型能夠完美地預測數據，並不意味著它能夠反映對應生物系統的潛在邏輯。如果不仔細評估模型有效性，使用時很可能會得出錯誤結論。相關結果於當地時間10月26日發表在《自然·機器智能》雜誌中。

在預測天氣及股票時長趨勢時，計算模型的精準預測能力十分重要。但Engel認為生物學家的目標有所不同。她說：「我們感興趣的是科學解釋。從數據中發現假設，不僅需要模型與數據相符，還需要分析、理解模型。因此，我們必須研究模型的結構和機制，才能推斷出大腦的工作機制。」

錯誤的假設條件也可能得到準確的預測。Engel以古老的太陽系模型為例說明：雖然模型準確地預測了天體的運動，但它的假設條件是錯誤的。通過創建、比較多種神經信號模型，他們也最終證實：具有良好預測能力的模型並不一定能反映真實的神經網絡。因此，評估神經網絡特定模型的可信度對於生物學家而言十分重要。

研究人員提供了一條原則性方法來幫助生物學家識別最適合用於研究生物系統的計算模型——最合適的模型在多個數據集都能表現出高度一致性。不過，這種方法並不一定適用於所有情況，生物學家可能還需要通過其它方法進行評估。

此外，研究人員還在論文中具體闡述了一種被稱作「柔性建模」（flexible modeling）的機器學習——它允許用戶自由探索各種可能性，無需事先制定具體假設。

Engel團隊已經開始利用類似的模型來研究大腦中的信號是如何產生決策的。

編譯：雷鑫宇 審稿：西莫 責編：陳之涵

期刊來源：《自然·機器智能》

期刊編號：2522-5839

原文連結：https://techxplore.com/news/2020-10-figure-dont.html

中文內容僅供參考，一切內容以英文原版為準。轉載請註明來源。