Unknown Unknowns: Model Misspecification in Machine Learning for Physics
Diese Arbeit befasst sich mit der kritischen Herausforderung der Modellspezifikationsfehler in Anwendungen des maschinellen Lernens für die Physik und argumentiert, dass eine robuste Analyse einen iterativen Zyklus aus komplementären Diagnosen und Modellaktualisierungen erfordert, der von einer Denkweise getragen wird, die unvorhergesehene Fehler antizipiert und berücksichtigt, um zwischen neuen Entdeckungen und analytischen Verzerrungen zu unterscheiden.