原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
以下是用通俗语言和日常类比对该论文的解读。
核心问题：“平均值”陷阱
想象你正在试图猜测一个隐藏宝藏的位置。你有一张地图，但地图有点模糊。有时候，宝藏肯定在北边的洞穴，有时候肯定在南边的洞穴。它绝不可能在中间。
在科学领域（如粒子物理学或医学成像），科学家经常利用计算机来解决这些“猜谜游戏”。长期以来，他们通过问一个简单的问题来评判计算机的好坏：“你的猜测离真实答案有多近？”
如果计算机猜“北”，而宝藏确实在“北”，它就会得高分。如果它猜“南”，而宝藏其实在“北”，它就会得低分。
这篇论文指出，当存在两个可能答案（北和南）
如果计算机被迫只给出一个数字作为答案，以最小化其“误差分数”，它就会作弊。它不会说“它要么在北边，要么在南边”，而是会猜测“中间”。
- 为什么？因为在数学上，“中间”是北和南的平均值。从中间到北的距离，与从中间到南的距离相同。因此，“中间”这个猜测具有最低的平均误差。
- 问题所在：宝藏绝不可能在中间。计算机给出了一个数学上“完美”的平均答案，但这在物理上是不可能的。
后果：模糊且扭曲的图像
论文表明，当科学家使用这些“平均”分数（称为 RMSE 或 MAE）来挑选最佳计算机模型时，他们无意中选中了那些抹平真相的模型。
想象你正试图根据模糊的照片重现一座山脉。
- 真相：两座尖锐、 distinct 的山峰（北和南）。
- “平均”模型：它在中间画了一座单一、宽阔、平坦的小山丘。
如果你看这座“平坦的小山丘”，它可能看起来比尖锐的山峰更接近照片，因此计算机的得分会更高。但如果你利用这座平坦的小山丘来建造滑雪场，你会陷入大麻烦，因为根本没有真正的山峰可以滑雪。
在科学中，数据的这些“山峰”和“尾部”包含着最重要的秘密（例如新粒子的质量）。通过强迫计算机给出单一的“平均”答案，我们无意中抹散了最重要的细节，导致我们的科学测量出现错误。
解决方案：新的三步测试
作者提出了一种测试这些计算机的新方法，就像一场包含三个不同部分的驾驶考试，而不仅仅是单一测试。
1. “全图”测试（CRPS）
我们不再只要求一个猜测，而是要求计算机绘制出可能性的完整地图。
- 类比：与其问“宝藏是在北边还是南边？”，不如问“请画出概率地图”。
- 一个好的模型会画出两个 distinct 的团块（一个代表北，一个代表南）。一个糟糕的模型会在中间画一个大团块。这项测试奖励那些承认“我不确定具体是哪一个，但我知道是这两个之一”的模型。
2. “人群”测试（谱保真度）
我们观察 10,000 次猜测的整体结果。
- 类比：如果你问 1,000 个人猜测宝藏在哪里，500 人说北，500 人说南，你就会得到两个洞穴的完美图像。如果使用“平均”模型，所有人都会说“中间”，你就会得到一座单一、虚假洞穴的图像。
- 这项测试检查的是猜测的集合是否像真实世界，而不仅仅是单个猜测是否接近。
3. “信心”测试（校准）
我们检查计算机是否诚实地表达了它的把握程度。
- 类比：如果天气应用说下雨的概率是 90%，那么它应该 90% 的时间都在下雨。如果它说 90% 但实际只下了 50% 的雨，那么该应用在撒谎，夸大了它的信心。
- 这项测试确保计算机不是在胡乱猜测，而是在正确的地方真正拥有信心。
他们的发现
作者将这种新方法应用于两件事进行了测试：
- 一个人工数学问题，他们知道确切的答案。
- 一个真实的物理问题，涉及顶夸克（微小粒子），其中两个中微子（幽灵粒子）逃逸未被探测到，使得数学计算非常棘手。
惊人的结果：
在旧的“平均”测试下看起来像“赢家”的模型（那些给出单一、平坦、中间答案的模型），实际上在保持数据真实形状方面是最糟糕的。
那些给出“杂乱”双团块答案的模型（那些在旧测试下看起来更差的模型），实际上在揭示真相方面是最优秀的。
结语
论文得出结论：你如何衡量成功，决定了你会发现什么。
如果你只衡量“猜测离真相有多近”，你就会构建出抹去现实中有意思、复杂部分的模型。为了获得正确的科学答案，你必须停止要求单一数字，转而要求可能性的完整故事。
简而言之：不要只问“你离得有多近？”，而要问“你讲完了整个故事吗？”
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。