arXiv更新ML地下一体决策可审计性论文
热点事件持续更新
arXiv更新ML地下一体决策可审计性论文
1 篇报道1 个报道来源5 小时前更新
先了解这件事
AI 综述
2026年10月27日，由Hannah P. Menke等学者提交的论文v2版本更新上线arXiv。文章指出，机器学习的输出缺乏可信任与可追溯性，因此无法有效支持地下碳封存等去碳化决策。论文提出构建包含校准不确定性和来源信息的决策基础设施，建议采用决策就绪清单、审计跟踪工作流，以及基于决策结果的基准测试设计，以推动ML应用转向可监管与可审计。
AI 根据报道生成 · 2 小时前更新
最新进展10月28日 12:00
机器学习需通过可审计性实现地下碳封存等应用的去碳化报道时间线
沿着报道，了解事件的不同侧面。
10月28日
- arXiv · ML机器学习需通过可审计性实现地下碳封存等应用的去碳化
机器学习（ML）在助力地下碳封存、地热能源及氢储存等决策时，因缺乏可信任与可追溯的输出，无法实现有效去碳化。 文章提出应构建包含校准不确定性和来源信息的决策基础设施，并建议采用决策就绪清单、审计跟踪工作流以及基于决策结果的基准测试设计。 这一框架旨在推动 ML 从单纯追求预测精度转向支持监管与投资决策，确保其输出可被验证并安全应用于不可逆的地质工程。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。