盘点我跳过的科研天坑，进坑就是半年白干( 六 ) 文|白鹡鸰and小轶祝大家新年快

需要注意的是，如果你采用的指标非常常见，如AP ， MSE ，就别在论文里列公式了，占地方。但是如果你采用的指标是近年新出的，甚至是你自己新提出的，花上几行好好解释一下这个指标的意义吧！你论文的贡献说不定也包括这几行！
3.不要轻易推广结论
“因为我的模型在XX数据集表现良好，它在XX任务上必然是未来之星“ 。这类说法不是很严谨，因为数据集永远是真实世界的子集，无论你是否看得见，偏差必然存在。虽然这个说法一般不会直接导致论文被拒，但可能成为需要大修的理由之一。
4.谨慎地讨论显著性
统计检验不是万能的，不同的指标可能高估或低估模型之间的差异。在描述模型差异前，请先想清楚，这个差异重要吗？只要数据集足够大，哪怕模型性能相差无几，实际测试结果也必然存在差异。或许，效应量(effectsize)也是不错的选择，效应量可以量化模型之间差异的大小，例如Cohen'sd ，或者更为鲁棒的Kolmogorov-Smirnov 。
5.模型：请再多懂我一点
这一点我非常痛苦地赞同。看别人的论文时，我最关心的就是讨论部分，分析一个模型为什么会表现好，机理上有什么改变。但这也是论文、尤其是使用机器学习的论文最难写的部分，因为很多作者自己都解释不清为什么模型性能表现好。想要提供模型的可解释性，目前最常见的做法就是可视化（我对你的爱，是为你而留的神经元～?）， XAI现在也在不断发展，可以参考的方法越来越多。好好写讨论，论文的可信度会上升不少，被接收/引用的概率也会显著提升。
8尾声
这其实不仅仅是对跑实验过程的指南。如果按照这个规范来做实验，你会发现论文会变得很好写，而不是等要投稿了，再绞尽脑汁去想自己的工作到底有什么意义。因为你将有充分的理由去研究一个问题，有充分的理由把机器学习方法应用到这个问题上，你的实验过程是经得起推敲的，你的结果分析是面面俱到的。最终，你会发自内心地觉得自己没有浪费生命，而是真的做出了一份有价值的工作，并获得相当的成就感。
引用原作者的话作为结尾：
这份指南并不完善，未必告诉了你所有你应当知道的内容，提到的一些方法和技巧也是经验性的，它们可能在未来被证明有误，或者存在争议——但这恐怕是由研究的本性决定的。如何跑机器学习的方法论总是会落后于实践，学者们总会在最佳的做事方法上争论不休，而我们今日所信奉的正确可能在明天就会被证伪。因此，研究机器学习，其实与做其他研究无异：永远保持开放的思维，愿意跟进最新的研究进展，并保持谦逊，承认你并非无所不知。
GAIR2021大会首日：18位Fellow的40年AI岁月，一场技术前沿的传承与激辩
2021-12-10
致敬传奇：中国并行处理四十年，他们从无人区探索走到计算的黄金时代|GAIR2021
2021-12-09
时间的力量——1991人工智能大辩论30周年纪念：主义不再，共融互生｜GAIR2021
2021-12-12
论智三易，串联通讯，贯通边缘，演进认知，汇于机器：听五位IEEEFellow畅谈AI未来|GAIR2021
2021-12-25
新一代AI人才从哪里来，该往哪里去？|GAIR2021院长论坛
2021-12-29