解答未知——机器学习的创新之举学术资讯

这些彩色地图形状各异。每种形状代表一种不同的假设方式，它能够回答一个复杂问题。通过机器学习，研究人员可以多次测试同一假设以找到最佳答案。

越来越多的生物学家开始使用计算模型来解释复杂系统，比如：在神经科学领域，研究人员正在尝试调试用于预测天气或过滤垃圾邮件的算法，以了解大脑神经网络的信息处理机制。美国冷泉港实验室助理教授Tatiana Engel的新研究为生物学家的模型使用提供了重要指导。通过测试神经系统的各种计算模型，她和博士后研究员Mikhail Genkin发现：一个模型能够完美地预测数据，并不意味着它能够反映对应生物系统的潜在逻辑。如果不仔细评估模型有效性，使用时很可能会得出错误结论。相关结果于当地时间10月26日发表在《自然•机器智能》杂志中。

在预测天气及股票时长趋势时，计算模型的精准预测能力十分重要。但Engel认为生物学家的目标有所不同。她说：“我们感兴趣的是科学解释。从数据中发现假设，不仅需要模型与数据相符，还需要分析、理解模型。因此，我们必须研究模型的结构和机制，才能推断出大脑的工作机制。”

错误的假设条件也可能得到准确的预测。Engel以古老的太阳系模型为例说明：虽然模型准确地预测了天体的运动，但它的假设条件是错误的。通过创建、比较多种神经信号模型，他们也最终证实：具有良好预测能力的模型并不一定能反映真实的神经网络。因此，评估神经网络特定模型的可信度对于生物学家而言十分重要。

研究人员提供了一条原则性方法来帮助生物学家识别最适合用于研究生物系统的计算模型——最合适的模型在多个数据集都能表现出高度一致性。不过，这种方法并不一定适用于所有情况，生物学家可能还需要通过其它方法进行评估。

此外，研究人员还在论文中具体阐述了一种被称作“柔性建模”（flexible modeling）的机器学习——它允许用户自由探索各种可能性，无需事先制定具体假设。

Engel团队已经开始利用类似的模型来研究大脑中的信号是如何产生决策的。

科界原创

编译：雷鑫宇

审稿：西莫

责编：陈之涵

期刊来源：《自然•机器智能》

期刊编号：2522-5839

原文链接：