【笔记】The art of research（明白问题的重要性）

吃吃今天努力学习了吗

已于 2022-07-28 15:35:56 修改

阅读量771

点赞数 1

分类专栏：计算机视觉cv 文章标签：人工智能计算机视觉深度学习

于 2022-07-28 15:35:15 首次发布

本文链接：https://blog.csdn.net/m0_38068229/article/details/126035985

版权

计算机视觉cv 专栏收录该内容

18 篇文章 5 订阅

订阅专栏

3. 明白问题的重要性

怎样找到要研究的问题
想清楚自己研究问题的重要性是什么

找问题去解决是研究领域一个独有的事情，在做一件事情之前想清楚这件事情的意义是非常重要的。

3.1 FROM AN INTEREST TO TOPIC

在自己的兴趣之中，找到一个话题，然后适度的调整它的大小，使得我们能在这上面做研究。对于这个话题，我们需要提出一些问题来知道我们做研究。

一些定义：

subject：学术领域，如计算机视觉、人工智能等；
topic：话题，即领域内特别兴趣点，如怎么样高效设计卷积神经网络使得图片的分类精度更高。

为什么要选择话题？
因为很难有一个研究是针对整个研究领域来做的，所以一定要在自己的领域里面找到一个话题，这样才可以往深挖。
话题是一个使得你可以在里面问一些问题的途径，如果回答这个问题回答得比较好的话，整个领域的研究人员都会对它感兴趣，而且好的答案能够在一定程度上推进整个领域往前发展。

话题本身可以比较大也可以比较小。

大就是说，在整个研究邻域中很常见的一个话题
小众一点的也可以，但只有某些特定的研究人员感兴趣
大家都感兴趣的话题肯定有更多人参与研究，所以竞争会更激烈
比较小众的话题在里面做出比别人更好的工作的概率更高一点，但是会导致你的工作的影响力较小，受众没那么广
最重要还是对这个话题问一些问题，然后你问题的答案，别人可能会觉得重要，甚至这个答案在一定程度上可以改变整个研究领域。

区分什么是 question 和 problem？

question 就是疑问，问一个问题，然后需要来做答案；
problem 可认为是一个困难，就是存在一个问题，如果不去解决的话，可能会带来一些危害

怎么样从兴趣到一个话题？
在通过读一些文章之后去发现自己的兴趣，然后从中找到一个话题。对于技术领域来说，能考虑的主要有四件事：

怎样做出来（之前不行，现在行了）
怎样做大（数据、规模）
怎样做便宜一点
怎样做安全一点

3.2 FROM A BROAD TOPIC TO A FOCUSED ONE

如何将话题变小，并使其能开始做研究？

怎么使话题促成一个比较好的研究工作？

能不能把这个话题换算成一个论点？这个论点看上去是有价值去讨论的。

3.3 FROM A FOCUSED ONE TO A QUETION

当找到合适的话题的时候，就要问一些问题了。在读论文的时候，最好能带着一些具体的问题（能顾真的成为最后研究的一些问题）来去读的话，专注度会更好。

3.4 THE MOST SIGNIFICANT QUESTION: SO WHAT?

当对某一个问题感兴趣的时候，应该问自己一个更难的问题，SO WHAT ?

如果解决了这个问题，又怎样呢？别人会不会关心？能给别人带来什么样的好处？是不是能够推动整个领域的发展？或者推动领域在一个小地方的发展？能不能启发别人做更多的工作？
也可以反过来问，如果不做这个问题，会有什么样的损失？别人会不会觉得错过了一个亿？是不是整个领域可能会停止向前发展很多年？
如果你的答案是没有，就是说是因为兴趣而做也没有关系，这可以让我们继续往深走，但是还是要不断地问 SO WHAT 这个问题，去想我现在的东西 SO WHAT，别人 care 不 care。

找出你的话题 + 问一个问题 + 说明问题的重要性

TOPIC: I am studying/working on ________________
QUESTION: because I want to find out who/what/when/where/whether/why/how _____
SIGNIFICANCE: in order to _________________
思考： Why does this matter ?

QUICK TOPIC: HOW TO FIND A TOPIC ?

Browse through a textbook of a course that is one level beyond yours
Attend a lecture for an advanced class in your field
导师
网上找一找谈论
…

本节的核心思想：

怎样从兴趣点开始去找到一个话题，然后把这个话题缩小到足够小的范围，使得我们能够去驾驭它，也使得它足够大到支撑一个比较好的研究；
要在这个话题里面去问很多问题，因为我们的研究都是用来解决问题的，所以一定要有问题。
有了问题之后，你要去问，最重要的 so what的问题，就是说解决这个问题要怎么样。在真的动手去解决问题之前，真的就要去想一想，假设半年之后，1年之后我解决了这个问题，那么别人关不关心这个事情。
在做任何项目之前，都应该去想想这个东西做出来它的意义在于什么，不要去想说能不能做出来。就假设说有足够的资源，运气足够好，能把它做出来最好的结果以及能做出来情况下，去想一想对别人的影响有多大（这个事情的意义的天花板在什么地方）。

4. FROM Questions to a Problem

4.1 Understanding research problems 理解研究问题

研究的问题有两类：

实际问题（practical problem）：比如说一个算法他跑的比较慢，解决他的话会让它跑得更快了；一个任务在某个数据集上的精度不是很高，可以提出一个新的算法解决它；这个领域没有一个很好的数据集能够让大家更好的去评估这个问题，那我提出个数据集；这都是解决一些实际的问题
概念问题（conceptual problem）：这些问题不是要去解决某一个实际的痛点，而是说如果我们回答他的话，会对某一个事情或者这个世界有一个更好的认识。在科学领域，绝大部分问题是这种概念上的一些问题，帮我们更好的理解某一个东西。

但是在技术领域，更偏向实际的问题。当然也有很多偏理论的问题，比如说了解 batch normalization 为什么能够工作，以及说深度学习为什么能工作，甚至机器学习为什么能工作。这里面有很多的理论工作，但是我们只是目前为止，没有太多的去涉及这些的论文，所以导致大家可能觉得这些东西不多。但实际上在整个人工智能领域特别是机器学习，可能是在深度学习之前啊，可能至少有1/3的论文是关于这样子的一些概念性的问题。

4.2 Understanding the common structure of problems

为什么要有问题？

如果你没有问题的话，可能你整个论文写出来就是很多数据在里面，很多证据摆在里面，但是别人看上去就没有能找到你的观点（point）在哪里；
很多新手写作就是没有把东西聚焦在某一个问题上，使得读者跟不上你的节奏，也不知道到底在问什么问题，所以还是需要有一个问题。

一个问题的结构是什么样子的？
不管是实际问题还是概念问题都有一个下面的结构：
situation condition 就是说你的状况
你不想要的一个结果（如果不解决它的话，可能需要去付出一些不想付出的代价）
因为你的状况和你的代价的不同，导致两类问题是不一样的。
需要注意的是所谓的代价，其实是读者关心的，不是我们自己要付出的代价，而是他们要付出的代价。
怎样从读者的角度来找出这样的代价？从自己的状况开始不断地问 SO WHAT 。

4.3 Finding a good research problem

Will readers think it should be solved ?
Readers: Not I don't agree, but I don't care.

怎么样找到一个好的研究问题？

找人帮忙：去和别人讨论然后不断地去问 SO WHAT 的问题；
在阅读中寻找问题；
从自己的总结中选择，在写的时候通常会想得比较全面，所以写的比较客观，然后把它写下来的时候也是帮助我们将整个思维想得更全面；
找到一个好的问题是一个研究者可能需要花很多年的一个事情，需要跟可能比我们更善于去找好问题的研究者去合作，从他哪里学习怎样找到这个领域的好问题。

怎样摆脱进入新领域时不知道问题是否重要的焦虑？

不要等到真的把研究做完、论文写完，再去给别人看说这个东西值不值得做。要在开始的时候，在有想法的时候，跟别人谈，跟同学、同事、老师、甚至是可能针对的用户谈也行，看他们关不关心这个事情。

不要等到你的研究真的做完，可以是做了1/3或者1/2的时候，准备一个10-20分钟的小报告，在一些研究小组里面给大家讲一讲，看一看大家的反馈。（可以在workshop上面投稿，看看大家的想法）

在工作中，想做任何研究的时候，在做它之前一定要想清楚说哪个产品团队或哪个客户可能会需要这个东西，他们会不会把这个研究工作做进产品里面。在做之前先别急着动手，先想清楚你要做什么样的问题，可能用什么方法，然后你去跟这些未来可能存在的这些啊合作方去聊，告诉他说：我准备做这个问题，你感不感兴趣，你感不感兴趣把这个东西放进你的产品里面。

核心是说要在做研究的过程中，要不断的跟潜在的读者（用户）沟通，使得可以根据这个交互来帮助我们改变整个研究的一个方向。也是确保在研究做完之后，最后是有人关心有人买账。

5. From Problems to Sources

去看引用的之前的工作，引用它的后面的工作。

在技术领域，要去解决某个问题，先去找到跟你这个问题最相关的一两篇论文，然后去看他引用了谁，就是往前走，看看他之前的工作长什么样子。

不要去看一篇论文对前面工作总结，要去把那些他真的引用的那些东西真的拿去看一下，完成一个自己的一个总结，然后再看一下谁引用这一篇文章；把这个论文往前走往后走，基本上能找到要的那些资源了。

6. Engaging Sources

怎么样评估一篇论文的好坏：

两三年的论文看引用，新论文看出处。看引用，大概就知道这篇文章有多少人读它，多少人关心它，这个方法主要是针对已经发表了几年的文章；
对于新的文章是说，至少在计算机领域，不管是杂志也好会议好都是有排名的，虽然排名也不那么可信。假设一篇文章引用的那几篇主文章，就是说我们的方法、做对比的或者基于的那些文章，发表在某一个会议的时候，我们的文章也通常要发表过去；
想发表在一流会议上，引用的论文也要是一流会议或期刊的文章。研究也是有圈子的，假设想发一个一流会议的文章的话，那么我们去读的和引用的，和基于的工作最好也是一流会议甚至是更好。
一流会议：NeurIPS，ICML，ICLR … CVPR（偏应用）