Position: Embracing Negative Results in Machine Learning

本文认为，提出新的机器学习方法的论文通常主要通过在选定问题上的预测性能来评估其价值。然而，本文认为仅凭预测性能并不是评估论文价值的好指标。这种做法甚至会导致整个机器学习研究社区的效率低下，并为研究人员设定错误的激励机制。因此，本文呼吁发表“负面”结果，这有助于缓解一些问题，并提高机器学习研究社区的科学产出。为了证明我们的观点，我们介绍了发表负面结果的优势，并提供了具体措施，以使社区向一个能够正常发表负面结果的范式转变。

质疑仅基于预测性能评估机器学习方法的有效性，呼吁发表“负面”结果

呼吁机器学习研究者发表“负面”结果，以提高科学产出和减少机器学习研究社区的低效率和错误激励

发表“负面”结果的好处，包括避免重复劳动、改进算法和提高科学产出。提出了具体措施来鼓励发表“负面”结果，例如创建专门的期刊和会议，以及奖励机制。

最近的相关研究主要集中在机器学习算法的改进和应用方面，例如新型神经网络结构和自适应学习算法的开发。