摘要

本文介绍了一种名为Deriva-ML的连续FAIR（Findable, Accessible, Interoperable, Reusable）数据管理方法，旨在提高机器学习（ML）模型在eScience应用中的正确性和可重复性。文章强调了高质量数据对于ML结果的重要性，并提出了一种数据中心化的方法，通过构建一个云托管平台和实施最佳实践，以支持多学科团队在eScience领域的协作和数据管理。通过两个实际案例研究，展示了如何利用Deriva-ML架构和最佳实践来改善ML在eScience中的应用。

原理

Deriva-ML的核心在于采用连续FAIR原则，确保所有数据在整个ML模型开发周期中始终保持可查找、可访问、可互操作和可重用。这种方法通过提供准确的元数据描述和采用互操作格式，促进了团队成员间的有效沟通和协作。此外，Deriva-ML利用Deriva科学资产管理平台和DerivaML编程库，支持数据迁移、ML过程跟踪和自动化数据任务，从而提高了数据管理的效率和ML模型的质量。

流程

Deriva-ML的工作流程包括数据建模、控制词汇开发、数据加载和分区、ML开发等步骤。通过一个具体的例子——EyeAI项目，展示了如何使用Deriva-ML库进行数据预处理、模型训练和结果评估。整个流程强调了数据在整个ML开发过程中的中心地位，并通过详细的元数据记录确保了结果的可重复性。

应用

Deriva-ML的应用前景广泛，特别适用于需要多学科协作的eScience项目。通过提高数据质量和模型可重复性，Deriva-ML有助于推动科学研究的进展，尤其是在生物医学、环境科学和物理科学等领域。未来，随着数据中心化方法的进一步发展和优化，Deriva-ML有望成为eScience领域中不可或缺的工具。