Proper

general · First seen 2026-06-02 · Last seen 2026-11-13 · 33 mentions

Overview

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

  • Proper Scoring Rules for Right-Censored Survival Data:该工作将合宜评分规则推广到右删失生存数据场景。删失数据下传统评分规则难以直接评估概率预测质量,这项研究为医学随访等常见场景提供了理论上的评估基准。
  • The Loss or the Architecture? What Matters in Survival Analysis with Competing Risks:在竞争风险生存分析中,研究者比较了损失函数与网络架构各自的影响,结论指向损失选择(尤其是否满足合宜性)比架构设计更关键,这对实践中的模型选型有直接参考价值。
  • 正样本只学习的 proper 可学习性:新组合条件与分离结果:在计算学习理论一侧,该论文研究了仅使用正样本时的 proper 可学习性,提出了新的组合刻画条件,并给出了与一般学习之间的分离结果,深化了对 proper 学习复杂度的理解。
  • CAPS:从日志 bandit 反馈学习校准决策头:这篇工作把校准思想带入 bandit 反馈场景,利用日志数据训练经过校准的决策头,与合宜性所追求的概率校准目标一脉相承。
  • 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。

    Coverage

    10 on file