WITHDRAWN: Deviation Error: assessing machine learning predictions for replicate measurements in genomics and beyond
Dit manuscript is ingetrokken omdat de fundamentele "Deviation Error"-metriek een substantiële wiskundige formalisering en theoretische validatie vereist voordat deze kan worden vastgesteld als een geldige scoring rule voor het beoordelen van machine learning-voorspellingen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Stel je voor dat je een detective bent die een mysterie probeert op te lossen, maar in plaats van naar vingerafdrukken te zoeken, zoek je naar patronen in de piepkleine instructiehandleidingen binnen elke levende cel. Dit vakgebied wordt genomics genoemd, en het is alsof je probeert miljarden boeken in een bibliotheek te lezen om te begrijpen hoe het leven werkt. Maar hier komt het lastige deel bij: wanneer wetenschappers proberen deze boeken te lezen, maken ze vaak kopieën van dezelfde pagina om er zeker van te zijn dat ze het goed hebben. Deze kopieën worden "replicate measurements" (replicatiemetingen) genoemd. De grote vraag in deze wereld is: hoe weten we of onze vermoedens over wat er in die boeken staat daadwerkelijk kloppen? We hebben een manier nodig om de "fout" of de "afwijking" te meten tussen wat we voorspelden en wat we daadwerkelijk zagen. Als onze meetlint kapot is, denken we misschien dat we een nieuwe soort draak hebben gevonden, terwijl we gewoon een hagedis verkeerd hebben gelezen. Daarom is het hebben van een perfect liniaal om deze fouten te meten het belangrijkste instrument dat een wetenschapper kan hebben.
Stel je nu een team van wetenschappers voor, genaamd Husam en J. Timothy, die besloten een gloednieuw, superprecies liniaal voor deze taak uit te vinden. Ze noemden hun uitvinding de "Deviation Error" (Afwijkingsfout). Ze wilden deze nieuwe liniaal gebruiken om te controleren hoe goed wetenschappers de resultaten van die dubbele metingen in de genomics en andere velden konden voorspellen. Het klonk als een briljant idee, een glimmend nieuw hulpmiddel dat iedereen zou helpen om de wiskunde goed te krijgen.
Echter, het verhaal neemt een plotselinge wending. Na hun eigen uitvinding heel nauwkeurig te hebben bekeken, realiseerden Husam en J. Timothy zich dat hun nieuwe liniaal nog niet klaar was voor de gereedschapskist. Ze ontdekten dat de wiskunde achter de "Deviation Error" een enorme hoeveelheid extra werk nodig had om bewezen te worden als een "proper scoring rule" — wat gewoon een chique manier is om te zeggen dat de wiskunde rotsvast en onbreekbaar moet zijn voordat deze vertrouwd kan worden om iets belangrijks te meten. Ze kwamen tot de conclusie dat hun huidige versie een beetje wankel was, zoals een ladder die nog niet aan de muur is vastgeschroefd.
Vanwege dit reden hebben de auteurs een zeer verantwoordelijke beslissing genomen: ze hebben dit artikel officieel ingetrokken. Ze zeggen in feite: "We hebben dit coole idee bedacht, maar we moeten terug naar de werkplaats en zwaar werk verrichten om de wiskunde te repareren en onze testgevallen opnieuw op te bouwen." Ze zijn van plan om in de toekomst op dit project terug te komen, zodra ze het nodige onderzoek hebben gedaan om de Deviation Error werkelijk betrouwbaar te maken. Voor nu vragen ze expliciet aan iedereen om dit werk niet te citeren als referentie, omdat het is ingetrokken en niet af is. Dus, hoewel het idee van een beter meetinstrument nog steeds op tafel ligt, wordt deze specifieke poging gepauzeerd totdat de wiskunde op eigen benen kan staan.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.