【斯坦福大学博士论文】个性化机器学习的理论进展

文章预览

机器学习模型通常在静态环境中开发，其目标明确且数据集经过精心筛选。然而，实际部署时，这些系统与用户的交互会同时影响模型学习与用户行为。此类动态场景引发三大核心挑战： 个性化与非个性化训练的权衡：数据聚合提升统计效率，但牺牲用户个性化； 用户行为影响的量化方法：当算法决策以混淆标准评估的方式改变未来数据分布时，如何衡量系统效应； 约束条件下的算法设计：突破传感器限制、样本稀缺性及隐私问题等系统约束，实现规模化有效个性化。 本论文构建了理论模型以形式化聚合-个性化权衡关系，阐明有限数据下个性化提升性能的条件与机制；提出时序感知的观测因果推断框架，分离算法干预与混杂因子的效应；开发兼顾系统约束与隐私保护的可扩展算法。这些成果为理解用户偏好对模型训练与部署的双向影响奠定基 ………………………………