Reddit小哥揭露机器学习领域残酷现状

情况下，研究人员只会引用他们自己或过去几年的“机器学习人”的文献。

偶尔，会有一条引用来自于几百年前的柯西、牛顿、傅里叶、古诺、图灵、冯·诺伊曼等人，接着，又回向后跳跃几百年到2018年或者2019年。

所以，他们可能想表达：“这个问题在1930年被一些「名人」研究过，然后在2018年又被「某个家伙」研究过很多次。”

4.数学公式的堆砌

通常，会有大量的数学公式，来证明一些关于特征值、梯度、雅可比矩阵的深奥条件，以及关于他们研究问题的一些其他奇怪的事情(在其他深奥的假设下)。

还会有几个定理，但是没有一个是适用的，因为在运行它们的高度非凸深度学习应用时，所有条件都被违反了。

 

此，从这些复杂的定理+堆砌的数学公式中得到的唯一东西是「一些微弱的直觉」(然而马上就会被违背)，接着什么也没说。

5.“被抛弃的技术”

这位国外小哥发现，某些技术在作者声称它击败了许多基准测试之后，似乎将会被抛弃，并永远不会再使用。

机器学习研究人员似乎喜欢频繁的跳过一些话题，所以这可能是其中一个愿意。

但是，通常情况下，在其他领域，一旦一项技术被提出，同一组研究人员就会用多年来改进它，有时甚至贯彻了研究人员的整个职业生涯。

这位小哥表示：

「在某些方面,这使得某些机器学习区域就像一个回音室，在那里，研究人员正做着一些几乎重复的事情，而这一点却被问题的新奇性所掩盖了。

这些论文被接受，因为没有人可以检测论文本身真正的新颖性(或者，三个审稿人中只有一个会注意到)。

我只是觉得机器学习会议好像被当成了「自动收纸的摇钱树」。

一石惊起千层浪，共鸣声层出不穷：要么发表，要么灭亡？

这则帖子仿佛引起了大家的共鸣：

一个自称是理论物理学家的网友回复道：

「这就是当今理论物理学（和其他大多数『硬科学』学术研究的真实状态。

“要么发表，要么灭亡”的心态根深蒂固。没有人会在头脑清醒的情况下尝试解决实际困难和有意义的问题。只需要在这里调整一个魔性的特征，在那里混合搭配一些方法，你的简历里就会有一堆出版的论文了。

另外一个方面是，审查过程和所使用的方法缺少透明程度。比如一些半斤八两的评论，让学生替他们评论文章，以及一些政治原因等等。

用几年的时间发表一篇可以实际解决科学问题的论文的时代已经一去不复返了。运气越来越成为一个几乎比努力工作更重要的因素。

彼得·希格斯(因提出希格斯玻色子的存在和粒子获得质量的机制而获得诺贝尔奖)多次说过，按照现在的标准，他永远不会成功。

（编辑：惠州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!