2020-08-31 创新从哪里入手

概率研究因果关系，积累日常的因果事件，统计资料，金融曲线，猜测某一个结果同哪些因素有关，是因还是果；

qin 针对神经网络方法在处理小样本问题中的问题提出了改进方法：损失函数的改进，这是方法本身的改进；

如果你学习了bayes理论框架，那么你对平时的事件有么有一个全新的认识，会有什么推论？如果你的猜测成立会有哪些推论？如果你针对某个方法的缺陷提出了质疑，分析原因，找到解决方法，你的理论预测结果和实际实验有不同的地方，应该如何解释？是会有新的理论产生吗？就像神经网络的梯度消失一样？

特征提取的方法有无需要改进的地方呢？维度高，计算慢，适用对象少，可区分性不强

强化学习方法有什么缺点呢？需要知道的先验知识多？

这些方法在解决我这个问题时候又有什么缺点呢？是通过预处理解决还是改变方法自身解决？这是工程思维，我们要研究某一个变量对其有什么影响

当遇到多通道信号混合时，是否又变成了另外一个问题？

不同的数据集有不同的数据分布，卷积神经网络方法中的每一个参数对所研究问题有什么影响，都应该探索：每一类数据的大小，数据的均衡性，数据的维度，神经网络结构参数，神经网络的训练参数

在讨论时，可以分析为什么对某些类别分类结果就好，另外一些就不好

新的方法：例如自编码器，他有什么用，它的缺点是什么，对我的问题有什么用，怎么用，缺点在我的问题里有什么影响，如何解决