Machine Learning and Theory Ladenness — A Phenomenological Account

要約

近年、科学研究における機械学習 (ML) 手法の普及により、理論の多さに関する議論が活発になっています。
より具体的には、理論の多さの問題は、ML モデル (MLM) と ML モデリング戦略が、ML が使用および実装される科学分野 (物理学、化学、生物学など) のドメイン理論によって影響を受けるかどうか、またどのように影響を受けるかについての疑問として再浮上しています。
、など）。
一方で、従来の（ML以前の）科学とML支援科学との間に違いはないと主張する人もいます。
どちらの場合も、理論は現象の分析、モデルの構築と使用において不可欠かつ避けられない役割を果たします。
代わりに、ML の方法論とモデルは理論に依存せず、場合によっては理論に依存しないと主張する人もいます。
この記事では、どちらの立場も単純化しすぎており、ML 手法とドメイン理論の間の相互作用の理解が進まないと主張します。
具体的には、ML 支援科学における理論の多さの分析を提供します。
私たちの分析により、MLM の構築はドメイン理論から比較的独立している一方で、特定のドメイン内でのこれらのモデルの実際の実装と解釈は依然として基本的な理論的仮定と背景知識に依存していることが明らかになりました。

要約(オリジナル)

In recent years, the dissemination of machine learning (ML) methodologies in scientific research has prompted discussions on theory ladenness. More specifically, the issue of theory ladenness has remerged as questions about whether and how ML models (MLMs) and ML modelling strategies are impacted by the domain theory of the scientific field in which ML is used and implemented (e.g., physics, chemistry, biology, etc). On the one hand, some have argued that there is no difference between traditional (pre ML) and ML assisted science. In both cases, theory plays an essential and unavoidable role in the analysis of phenomena and the construction and use of models. Others have argued instead that ML methodologies and models are theory independent and, in some cases, even theory free. In this article, we argue that both positions are overly simplistic and do not advance our understanding of the interplay between ML methods and domain theories. Specifically, we provide an analysis of theory ladenness in ML assisted science. Our analysis reveals that, while the construction of MLMs can be relatively independent of domain theory, the practical implementation and interpretation of these models within a given specific domain still relies on fundamental theoretical assumptions and background knowledge.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google