假设一个分类任务A，有很多方法$M_1, M_2, M_3$. 任务$A$是通过一致的度量来衡量的。例如，任务 A 可以是二元分类。在这种情况下，可以使用 F-score、ROC 曲线。

我对一些研究进行了调查，发现

• $M_1$用数据集评估$D_1$（打开）使用预处理$P_1$只有（似乎是开创性的工作）。
• $M_2$用数据集评估$D_1$（打开），$D_2$（私人）并与$M_1$, 声称$M_2$有更准确的结果，但使用不同的数据预处理$P_2$.
• $M_3$提出了使用数据集的新方法$D_3$（私人）并且没有提供任何比较$M_2$和$M_1$

我正在尝试在这方面工作，但有很多不一致之处。没有一种方法通过验证数据进行验证。他们只是使用了训练和测试数据。我认为一些参数是为测试数据集调整的，尽管作者没有这么说。由于该领域不是面向数据科学的，并且数据集的数量很少，因此可能会发生这种情况。

我们可以将哪种方法视为最先进的方法？

我们如何得出每种方法的普遍性？