Yapay zeka ve makine öğrenmesi alanında veri seçimi süreçlerinde önemli bir ilerleme kaydedildi. Araştırmacılar, mevcut 'conformal selection' yöntemlerinin sınırlarını aşan yeni bir teknik geliştirdi.
Geleneksel conformal selection yöntemi, test verilerinin gözlemlenmemiş sonuçlarının önceden belirlenen kalite kriterlerini karşılayıp karşılamadığını tahmin ederken, yanlış keşif oranını (FDR) kontrol altında tutmaya odaklanır. Ancak bu yaklaşımın temel sorunu, hedef FDR seviyesinin veri gözlemlenmeden önce sabitlenmesi gerekliliğidir.
Yeni geliştirilen 'post-hoc conformal selection' (PH-CS) yöntemi bu kısıtlamayı ortadan kaldırıyor. Sistem, her biri veri-temelli yanlış keşif oranı tahminiyle eşleştirilmiş aday seçim kümeleri yolu oluşturuyor. Bu sayede kullanıcılar, mevcut veriyi inceledikten sonra kendi ihtiyaçlarına göre işletim noktasını seçebiliyor.
Özellikle genomik ve nörogörüntüleme alanlarında çalışan araştırmacılar için bu gelişme büyük önem taşıyor. Araştırmacılar artık test istatistiklerinin dağılımını inceleyip, gözlemlenen kanıt gücüne ve mevcut takip kaynaklarına göre ne kadar agresif bir aday takibi yapacaklarına karar verebilecek.
Bu yenilik, veri bilimi ve yapay zeka uygulamalarında daha esnek ve kullanıcı odaklı karar verme süreçlerinin önünü açıyor.