无贡献、无创新、无思路，ML领域准博士求助：论文到底要怎么创新？
点击上方“视学算法”，选择加"星标"或“置顶”
重磅干货，第一时间送达
导读
如何在机器学习领域写论文时保证创新性？
机器学习领域水写论文日常：
△图源推特：AI Memes for Artificially Intelligent Teens
明明想得很美：要提出一个更好的新架构、新损失函数、新优化器或激活函数……
而实际正在做的呢？
在一个数据集上应用现有的东西（如架构，优化器，损失功能），尝试不同的组合以找到该数据集上的最优解。
这就是Reddit上的一位准博士现阶段的烦恼：
他并不满意目前的工作，也不知道自己都做了哪些贡献。
所以帖子标题非常直接：
如何在机器学习领域写论文时保证创新性？
关注现实问题和细分领域
而对于这一问题，下方讨论的网友们基本分为了两类。
第一类认为，不要刻意去追求“创新”，而是先尝试从解决现实问题出发：
一个新想法的出现，通常是为了试图解释一些以前没有解决的问题。
或是这一问题已有方法（但你找到了更好的解决方案）。
现实中确实有很多这样的例子。
比如强化学习领域的很多论文都是集中在游戏上的。
造成这种现象的原因之一，就是大家在一开始都是用较低的成本让模拟器快速运行的。
但慢慢地，这种传统方法就让游戏暴露出了不少问题：
比如，只有在执行了一长串的正确行动（actions）后，你的（强化学习）模型才能得到奖励信号（reward signals）。
像这种实际应用中的困难，很容易就能引申到“要如何解决”或“怎么让现有方法变得更好”上。
那创新点不就来了？
而第二类网友则直接从问题根源入手：
别再在ML大领域里浪了，赶紧选个利基领域 （niche area）上吧。
什么是利基领域？
这是指一个大领域下尚未被其他人所占领的某个专业的小领域，也叫细分领域。
这一类网友觉得，你要在机器学习领域内创新，那就意味着要跟成千上万的科研人竞争，这谈何容易？
所以还不如去一些“过气”的分支领域去试试。
比如30年前在AI领域中流行过的归纳逻辑程序设计（ILP）：
当然，这种方法更适用于当你的目标是“获得博士学位就算成功”的时候。
毕竟这样做很可能导致你的引用数常年在个位数打转……
最后就是Just Try it的保留节目了：
就算最后失败了，你也会对相关问题有更深的理解，或产生新的思考。
同时，这也能侧面印证你选择的课题是不是真的有价值：
毕竟对于牛逼的课题，即使失败也是成功的垫脚石。
但如果你完全无法从这次失败中收获新的东西的话——
那还是赶紧跑路另择idea吧。
永恒的难题：idea
其实今天开贴的这位题主所说的“保证论文创新性”，说到底还是一个idea的问题。
而对于广大科研人来说，这是个永恒的话题。
比如说19年时，就有这种“发现自己的idea已经被人发表了该怎么办？”的讨论帖了：
（只听标题都是闻者伤心听者落泪）
大家在下面集思广益了半天，从如何避免撞车，到撞车之后如何扩展强化，再到个人能力培养和学术环境，最后表示：
凑合一下，克服一下，适应一下。
而在去年，来自清华的高天宇同学也在直播中分享了他的idea来源：
这位本科期间就发表过两篇AAAI和两篇EMNLP的大神表示：
idea的形式多种多样，有原创的突破性工作，就像发明衬衫；也有排列组合、迁移、渐进的补充性工作，就像给衬衫装上纽扣和前衣口袋；而灌水就像是在衣服背后缝了个口袋。
今年，甚至有位英国教授专门写了篇论文来指导大家如何写论文：
作者主要从建模前如何准备、如何建出可靠的模型、如何稳健地评估模型，如何公平地比较模型以及如何报告结果五个方面，全面阐述了如何避免机器学习研究中的陷阱。
那么最后，你觉得还有什么保证论文创新性（或寻找idea）的方法呢？
清华特奖高天宇：
https://www.qbitai.com/2020/03/12309.html
如何写一篇不水的机器学习论文：
https://www.qbitai.com/2021/08/27616.html
发现自己的idea已经被人发表了，该怎么办？
https://www.qbitai.com/2019/06/3337.html
参考链接：
https://www.reddit.com/r/MachineLearning/comments/p4pv17/d_how_to_bring_novelty_in_machine_learning/
如果觉得有用，就请分享到朋友圈吧！
点个在看 paper不断！