确保可靠的特征在食品化学AIAI的重要性

科学领域:

• 食品化学 食品化学 食品化学
• 人工智能的人工智能是人工智能.
• 毒理学 毒理学 毒理学

背景情况:

• 人工智能在食品化学中的采用正在迅速增加,利用机器学习,后勤回归,随机森林和XGBoost等方法.
• 在监督学习中存在很大的技能差距,导致人工智能模型输出被误解.
• 当前的人工智能模型优化预测准确性,不一定是真实的关联,特征重要性往往缺乏基准真实验证,容易产生模型和数据偏差.

研究的目的:

• 突出目前人工智能在食品化学中的应用所带来的局限性和潜在的误解,特别是在监督学习方面.
• 为食品化学领域的AI分析提出一个新的基于标准的管道,以减轻偏见并提高洞察力的可靠性.
• 通过微塑料与癌症关联的案例研究来证明拟议的管道.

主要方法:

• 该研究批评了对非线性数据的参数逻辑回归的使用,使用微塑性癌症病例作为扭曲推理的例子.
• 拟议的基于标准的管道包括无监督的结构发现 (特征聚合,高度可变的特征选择).
• 非参数关联测试 (带有p值的斯皮尔曼) 和排名的明确稳定性审计是拟议方法的组成部分.

主要成果:

• 在微塑性癌症病例研究中,对非线性数据的参数逻辑回归被证明会扭曲推断.
• 拟议的管道旨在减轻监督学习方法中固有的标签驱动偏见.
• 这种多方面的方法旨在增强人工智能驱动的洞察力的稳定性,并将它们与机械的理解保持一致.

结论:

• 食品化学当前的人工智能实践,特别是监督学习,由于预测优化和缺乏验证,可能导致误解.
• 拟议的基于标准的管道为人工智能在食品化学中的应用提供了更强大,更可靠的方法.
• 实施这种方法支持可靠的风险评估和更安全,更有效地应用AI在现场.