Контроль за выходом данных с учетом риска должен быть основным элементом отказа от обучения машин

arXiv: 261 0355052v1 Тип уведомления: перекрестное резюме: хорошо задокументированные способы отказа систем машинного обучения (ML), включая отклонения, токсичность, галлюцинации и утечку чувствительной информации, привели к росту неучебных процессов (MU). Однако большая часть осуществляемой работы направлена на обеспечение неразличимости параметров в пространстве, стремясь найти неизученные модели, которые как можно ближе к моделям, переподготовленным с нуля по сохраняемым данным. В настоящем документе мы заявляем, что эта цель не соответствует практическим и имеющим отношение к пользователям соображениям: MU следует уделять приоритетное внимание статистическо гарантированному контролю за выходом из космоса, а не сходству параметров и пространства. Мы заявляем, что контроль за выпуском продукции со статистическими гарантиями является юридически значимым понятием необучаемого, поскольку он поддерживает жесткие и надежные цели, масштабы в современных условиях развертывания и позволяет интерпретировать гарантии. Мы обосновываем эту позицию эмпирическими данными и недавними теоретическими результатами, которые, хотя первоначально они не были сформулированы в