丰色 发自 凹非寺
量子位 | 公众号 QbitAI
本科生搞科研到底能做出什么成绩？
最新被 CVPR 2022收录的一篇论文中 ， 提供了一种新思路来解决深度学习中 长尾分布数据的分类问题 ， 最终实现了新SOTA 。

文章图片

文章一共5位作者 ， 有博士生 ， 也有来自新加坡A*STAR的高级研究员……
而排在 一作位置的 ， 是一位来自 天津大学的 本科生—— 李同学 。
厉害的是 ， 这还不是这位“初生牛犊”的第一篇顶会论文 ， 在此之前 ， 他还中了一篇 数据挖掘领域的顶会（WWW 2022） ， 同样是一作 。

文章图片

本科生搞科研 ， 势头已经这么强了吗？
大三进实验室 ， 大四就有2篇顶会在手
李同学来自天津大学 智能与计算学部 ， 今年 大四 。
这篇CVPR文章 ， 主要就是以新型集成 （ensembling）学习策略来解决长尾分类的问题 。

文章图片

长尾分布大家都知道 ， 对于这些数据的分类则是深度学习中十分常见的一个应用 。
它的难点主要是 样本量极端不平衡 ，尤其尾部样本量过少 ， 难以获得有效的训练结果 。
目前 ， 基于集成学习的方法显示出巨大潜力 ， 实现了SOTA性能 。
但这种方法有两个局限性：
一是在failure-sensitive应用中的预测通常不可信 ， 这对极容易出错的尾部数据的影响非常大；
二是它会为所有样本分配统一数量的资源 （experts） ， 这对于简单样本来说 ， 造成了多余、过高的计算成本 。
因此 ， 李同学等人提出 ， 通过引入不确定性集成 ， 来实现对尾部类别样本的自动感知 。
在此基础上 ， 提出为尾部类别样本 动态分配比头部样本更多的模型资源 （experts） ， 以兼顾性能与效率 。

文章图片

△测试阶段使用哈佛提出的DS理论形成joint uncertainty
【天大本科生论文入选CVPR 2022，实现深度学习长尾分类新SOTA】最终 ， 所得模型实现了对尾部类别样本的自动化检测与训练调节 ， 成为一个解决长尾分类问题的通用模型 。
一系列分类、尾部检测、离群点检测和故障预测等任务的综合实验证明 ， 该模型的性能成功 打败现有的SOTA方法 。
他是在大三的时候 ， 凭着优秀的学习成绩进入了学部的 机器学习与数据挖掘实验室 。

文章图片

在导师张长青 （天津大学博导）的带领下 ， 李同学经过短短一年半的学习 ， 就 中标了两篇顶会论文 。
可以说后生可畏 。
越来越多的本科生开始发顶会
不过要说起本科生搞科研 ， 其实大家应该有所注意 ， 很多学校对于这件事越来越开放和重视：
在大三或者 更低年级时 ， 就会开放一些名额让有潜力的学生进入实验室 ， 和研究生、博士生一起搞科研 。
比如清华“星火班”就招募大二学生 ， 北大也鼓励学生从大二就开始开展科研项目 ， 而像中科大等学校 ， 对做出相应成绩的本科生还会给予 专门的奖学金 。
在这样的情况下 ， 已经有不少像李渤涟这样的学生 ， 在本科期间就发表上顶会了 ， 可谓光环满身 。