Proper(合宜性/正规性)是机器学习与统计学中的一个核心概念,指一类评分规则或学习目标在模型输出真实概率时达到最优,从而保证模型预测得到良好校准。它广泛出现在概率预测、生存分析和可学习性理论中,近期多篇 arXiv 论文正围绕 proper scoring rules(合宜评分规则)与 proper 可学习性展开新探索。
Proper Scoring Rules 的近期进展
当前焦点与观察点
从这些工作看,proper 相关研究的趋势有两条:一是从标准的多分类概率预测向更复杂的现实场景延伸,如删失数据、竞争风险和日志反馈学习,合宜性条件在这些场景下需要重新定义与证明;二是理论侧的 proper 可学习性仍在细化,正样本学习等受限设定下的组合刻画是活跃方向。
对从业者而言,值得关注的问题是:损失函数的合宜性在实际任务(尤其是生存分析与决策系统)中究竟带来多大收益,以及当数据存在删失或反馈偏差时,如何构造仍然满足合宜性的评估与训练准则。随着校准在医疗、风控等高风险领域的重要性上升,proper scoring rules 有望从理论工具逐步成为工程实践的默认选项。