ML Robustness & Engineering - Andrew Ilyas (MIT)
Machine Learning Street Talk · 88:01
MIT PhD 研究者 Andrew Ilyas 讲述了他围绕"机器学习全流程可靠性"的研究主线：把训练数据集直接映射到模型预测的 datamodels（数据模型）框架、把它加速数百倍的 TRAK 估计器，以及"对抗样本不是 bug 而是特征"的经典论证。核心结论是——深度模型对训练数据的依赖在很大程度上可以用线性代理函数惊人准确地预测，这为数据选择、数据归因、事实溯源和偏差诊断打开了一条可优化的路径。