我一直在研究方法选择的理论框架（注意：不是模型选择），并且发现很少有系统的、以数学为动机的工作。我所说的“方法选择”是指一个框架，用于区分与问题或问题类型相关的适当（或更好、最优）方法。

我的发现是大量的，如果是零碎的，对特定方法及其调整（即贝叶斯方法中的先验选择）和通过偏差选择的方法选择（例如归纳策略：偏差选择的语用学）进行工作。在机器学习发展的早期阶段，我可能不切实际，但我希望能找到类似于测量理论在按尺度类型规定可接受的转换和测试方面所做的事情，只在学习问题的舞台上大放异彩。

有什么建议么？