本文经AI新媒体量子比特（公众号ID：QbitAI）授权转载，转载请联系出处。机器学习领域的日常论文写作：△图源推特：AIMemesforArtificialIntelligentTeens明明有个美好的想法：提出更好的新架构，新的损失函数，新的优化器或激活函数……但实际上是你做了什么？将现有的东西（如架构、优化器、损失函数）应用到数据集上，尝试不同的组合以找到该数据集上的最优解。这是Reddit现阶段准博士的烦恼：没有贡献，没有创新，没有idea，ML领域的准博士求助：论文怎么创新？他对现在的工作不满意，也不知道自己做了什么贡献。所以帖子标题很直白：写机器学习领域的论文如何创新？聚焦现实问题，细分领域对于这个问题，下面讨论的网友基本上分为两类。第一类认为，不应刻意追求“创新”，而应先尝试解决实际问题：一个新想法的出现，通常是试图解释一些以前没有解决的问题。或者这个问题已经有解决方案（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。例如，强化学习领域的许多论文都专注于游戏。造成这种现象的一个原因是一开始大家用了较低的成本让模拟器跑得很快。但慢慢地，这种传统的做法让游戏暴露出许多问题：例如，你的（强化学习）模型只能在执行一长串正确的动作（动作）后才能获得奖励信号。).像这样的实际应用中的难点很容易扩展为“如何解决”或“如何使现有方法更好”。这不就是创新点吗？第二类网友直接从问题的根源入手：别再在ML这个大领域里瞎折腾了，赶紧选择一个nichearea（利基区）。什么是利基领域？这是指某个专业的一个小领域，在一个大领域之下还没有被其他人占据，也叫细分领域。这类网友觉得，如果要在机器学习领域有所创新，就意味着要与成千上万的研究人员竞争。这有多容易？所以不如去一些“过时”的分支领域试试。比如30年前AI领域流行的归纳逻辑编程（InductiveLogicProgramming，ILP）：当然，当你的目标是“博士成功”时，这种方法更适用。毕竟这样做很可能会导致你的引用常年在个位数徘徊……最后就是JustTryit的保留剧目：即使最后失败了，你也会对它有更深刻的理解相关问题或产生新的思考。同时，这也可以从侧面证明你选择的题目是否真的有价值：毕竟，对于一个伟大的题目来说，即使失败也是成功的垫脚石。但如果你根本无法从这次失败中获得新的东西——那就逃跑，选择另一个想法。永恒的问题：idea其实，今天发帖的题主所说的“保证论文的创新性”，归根结底是idea的问题。对于广大研究者来说，这是一个永恒的话题。比如2019年就有一篇“发现自己的idea被发表了怎么办？”的讨论贴，从如何避免撞车，到撞车后如何扩大和加强，再到个人能力培养和学业环境，最后说：凑合，克服，适应。而去年，来自清华大学的高天宇也在直播中分享了他的想法来源：这位在本科期间发表了两篇AAAI和两篇EMNLP论文的大神说：想法以各种形式出现，并有原创性的突破性工作是就像发明衬衫一样；有排列、迁移、增量补充工作，比如在衬衫上放纽扣和前袋；浇水就像在西装背面缝一个口袋。今年英国一位教授甚至写了一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，如何建立可靠的模型，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，全面阐述了机器学习研究中如何避免陷阱。那么最后大家觉得有什么办法可以保证论文的创新性（或者说找到idea）？清华特等奖高天宇：https://www.qbitai.com/2020/03/12309.html如何写出不尽如人意的机器学习论文：https://www.qbitai.com/2021/08/27616。html发现自己的idea被发表了，怎么办？https://www.qbitai.com/2019/06/3337.html
