علی رغم اینکه پیشرفت‌ها در حوزه‌ی یادگیری ماشین و هوش مصنوعی در حال تغییر جامعه است، درک اساسی ما از موضوع هماهنگ با این پیشرفت‌ها نیست.

در مدل‌های کلاسیک یادگیری ماشین اعتقاد بر این است که مدل مناسب مدلی است که کاملاً با داده‌های آموزش مطابقت نکند زیرا این موضوع منجر به کارایی ضعیف مدل روی داده‌های تست می شود. با این وجود مدل‌های طبقه‌بندی کننده مدرن تقریباً بر داده‌های آموزش منطبق هستند. در واقع یکی از اصول اساسی در روش‌های یادگیری ماشین کلاسیک ایجاد موازنه بین خطای آموزش و خطای تست است در حالی که در روش‌های مدرن مانند شبکه عصبی که با دقت بالایی پیش بینی می‌کنند، این گونه نیست.

این تناقض باعث بحث و گفتگو بین پژوهشگران شده و آن‌ها را با این سوال مواجه کرده است که آیا اساساً این تئوری عملی است. ارتباط مبانی ریاضی یادگیری ماشین و مسائل دنیای واقعی چیست.

پژوهشگران در این مقاله به این سوال پاسخ و درک روش کلاسیک و مدرن را در یک منحنی عملکرد یکپارچه وفق داده‌اند. آن‌ها طیف گسترده‌ای از مدل‌ها و مجموعه داده‌ها را بررسی کرده‌ و ارتباط بین عملکرد، ساختار مدل‌های یادگیری ماشین، محدودیت‌های تحلیل کلاسیک و مفهوم تئوری و عملی یادگیری ماشین را شرح داده‌اند.

منبع: PNAS