210 项生物医学 AI 研究中 97% 用了无效的模型比较统计检验
bttyeo · x · 2026-05-21
B.T. Thomas Yeo 团队发布新预印本(Spending 于 bioRxiv,由 Tianchu Zeng 等主导),对 210 项在交叉验证下做模型统计比较的生物医学 AI 研究进行 meta 分析,发现 97% 使用了无效的统计检验,即模型比较结果普遍不可靠。作者团队还提出把训练好的 ML 模型视为「数据+算法」的产物:固定算法、更换数据模态或预处理策略,模型间的性能差异即可用来量化模态/预处理的贡献。论文作者阵容庞大,含 Konrad Kording、Danilo Bzdok、Thomas Nichols 等。
「研究」频道最新
- TokenGate 端到端学习动态丢 token,解锁 LLM 预填充新优化方向 — CShorten30 · 2026-10-23
- ProtTale 学会自评可靠性:判断 AI 生成的蛋白功能描述何时可信 — anshulkundaje · 2026-10-23
- 图宾根研究：视觉模型自顶向下反馈须配 dropout 才真正抗噪 — maier_ak · 2026-10-23
- 研究：LLM 群聊插话 46.4% 时机不当，尚不会察言观色 — windx0303 · 2026-10-23
- 谷歌云发布 PLE 基准:物理工程考题全部前沿模型得分不足 50% — Afinetheorem · 2026-10-23
- 港科大溯源发现:「Wait」标记继承自训练数据而非 RL 发明 — huawei-noah · 2026-10-23