arXiv cs.CY· Abdelghani Belgaid·· 11 小时前AI 评分19
基于机器学习的定点施肥推荐中的算法单一化问题
Algorithmic Monoculture in Machine Learning-based Site-Specific Fertilizer Recommendation
AI 导读
研究指出机器学习施肥推荐常按单模型评估，但多农场部署时相关误差会聚合为系统性成本。基于摩洛哥五类谷类系统九个模型族的基准校准显示，在10% regret 上限下，精度约束下的多样化使五个系统的建模社会损失降低 10.89%-41.53%（均值 19.41%），而均匀分配虽降低损失却在每种作物上都突破 regret 上限。
正文 · AI 翻译
摘要：机器学习推荐通常一次只评估一个模型，尽管其部署跨越相互关联的决策者。对于连续 NPK 肥料处方，相关误差可能在农场间累积并产生系统性成本。一个关于共享误差和农场特定推荐误差的模型将预期社会损失与模型采用份额联系起来；当共同模型误差相互独立且预测风险相等时，Herfindahl-Hirschman 指数刻画了集中效应。协方差广义化公式捕捉了模型族之间的依赖关系。双模型阈值刻画了何时私人最优的单一种植在社会层面被支配，而凸组合规则限制了平均私人预测遗憾。五个摩洛哥谷物系统中的九个模型族提供了基于基准的校准。在示例性参数和 10% 遗憾上限下，受准确性约束的多样化在全部五个系统中将建模社会损失降低了 10.89-41.53%（平均 19.41%）。在此设定下，均匀分配降低了建模损失，但在每种作物中都突破了遗憾上限。相关性敏感性表明，高度依赖的模型误差会削弱多样化的收益。这些反事实结果并非农艺或货币福利的估计；该框架将采用架构和误差依赖性确定为生态系统层面的评估变量。
| 评论： | 已被 NeurIPS 2026 机器学习经济学研讨会（EconML）接收 |
| 主题： | 机器学习（cs.LG）；计算机与社会（cs.CY）；理论经济学（econ.TH） |
| 引用为： | arXiv:2610.36941 [cs.LG] |
| （或 arXiv:2610.36941v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.36941 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Abdelghani Belgaid [查看电子邮件]
[v1]
2026年10月27日星期二 10:01:56 UTC（115 KB）
来源：arXiv cs.CY · arxiv.org