ترجمه فارسی مقاله معضل جمع داده‌ها

چکیده

In many machine learning for healthcare tasks, standard datasets are constructed by amassing data across many, often fundamentally dissimilar, sources. But when does adding more data help, and when does it hinder progress on desired model outcomes in real-world settings? We identify this situation as the textit{Data Addition Dilemma}, demonstrating that adding training data in this multi-source scaling context can at times result in reduced overall accuracy, uncertain fairness outcomes, and reduced worst-subgroup performance. We find that this possibly arises from an empirically observed trade-off between model performance improvements due to data scaling and model deterioration from distribution shift. We thus establish baseline strategies for navigating this dilemma, introducing distribution shift heuristics to guide decision-making on which data sources to add in data scaling, in order to yield the expected model performance improvements. We conclude with a discussion of the required considerations for data collection and suggestions for studying data composition and scale in the age of increasingly larger models.

چکیده به فارسی (ترجمه ماشینی)

در بسیاری از یادگیری ماشین برای کارهای بهداشتی ، مجموعه داده های استاندارد با جمع آوری داده ها در بسیاری از منابع ، اغلب اساساً متفاوت ، ساخته می شوند.اما چه زمانی اضافه کردن داده های بیشتر به شما کمک می کند ، و چه زمانی مانع پیشرفت در نتایج مدل مورد نظر در تنظیمات دنیای واقعی می شود؟ما این وضعیت را به عنوان معضل افزودن داده textit inta indudiation ، نشان می دهیم که اضافه کردن داده های آموزشی در این زمینه مقیاس بندی چند منبع می تواند در بعضی مواقع منجر به کاهش دقت کلی ، نتایج عدالت نامشخص و کاهش عملکرد بدترین گروه شود.ما می دانیم که این احتمالاً ناشی از تجارت تجربی مشاهده شده بین بهبود عملکرد مدل به دلیل مقیاس بندی داده ها و وخامت مدل از تغییر توزیع است.بنابراین ما استراتژی های پایه را برای پیمایش این معضل ایجاد می کنیم و اکتشافی تغییر توزیع را برای راهنمایی تصمیم گیری در مورد اینکه منابع داده برای اضافه کردن مقیاس داده ها ، به منظور دستیابی به بهبود عملکرد مدل مورد انتظار ، معرفی می کنیم.ما با بحث در مورد ملاحظات مورد نیاز برای جمع آوری داده ها و پیشنهادات برای مطالعه ترکیب داده ها و مقیاس در سن مدل های فزاینده بزرگتر نتیجه می گیریم.