NSFC: 研究目标看似简单

摘要: 研究目标只需要说清楚完成的项目长什么样子, 但并没有那么容易写.

1. 日常生活所讨论的目标

• 例 1. 我要去北京天安门.
  这里的目标很容易描述, 就是 “北京天安门”.
  如何证明你达成目标? 以下二选一: a) 你用肉眼看到它; b) 你站在门的下方.

• 例 2. 研究一个小目标: 先赚它一个亿.
  这里的目标描述没有歧义: 一亿人民币.
  如何证明你达成目标? 银行帐户显示: 资产 $-$ 负债 $\ge$ 1 亿元人民币.

2. 软硬件项目所讨论的目标

• 例 3. 交换机带宽达到 1000 MB/s.
  明确的目标: 带宽达到 (不小于) 1000 MB/s.
  要证明目标的达成, 只需要用数据测试 10 小时.

• 例 4. Web 办公系统满足 3000 教职工的并发使用, 延迟时间不超过 0.5 秒.
  明确的目标: 3000 教职工并发使用的时候延迟时间不超过 0.5 秒.
  指标很清楚, 通过压力测试也易于验证目标的达成.

4. 机器学习科研项目所讨论的目标

科研项目讨论的目标至少有三种: 算法、模型、系统. 我们倒过来说.

4.1 机器学习系统

• 例 5. 人脸识别系统, 识别率 99%.
  这是成熟的软硬件系统. 我们将它安装到小区, 然后再把小区人员的照片放进去, 下次我们通过门闸时, 它就会放行.
  指标很清楚: 100 个小区的人员, 它至少放 99 个过去; 100 个外来人员, 它最多放一个过去.

4.2 机器学习模型

• 例 5. 基于图片的的物品识别模型, 识别率 99%.
  需要先给这个模型一定数量的图片, 如 1000 个手机, 2000 个包包, 1200 只鞋子. 同时给定这些图片的标签 (手机/包包/鞋子). 经过模型训练 (获得参数) 后, 它对这些物品的识别率达到 99% 以上. 即错误率小于 1%.
  如果是用深度学习来做这个项目, 模型的结构应该 (包括层数、卷积核大小、drop-out 比例、激活函数等) 是确定的. 训练的目的是获得针对该数据集的参数.
  为了评价这个学习模型的目标是否达成, 我们需要用多个数据集进行训练与测试. 这里的评价比上一节其实更难, 因为不同数据集中, 图片的分辨率不同, 噪声不同, 所以比较难于作出 99% 的承诺.
• 例 6. 骨干神经网络 backbone neural network.
  What Does Backbone Mean in Neural Networks?
  根据这里的解释, 神经网络中, 骨干网络是一种预训练网络, 可为不同的任务提供属性提取服务.

4.3 机器学习算法

• 例 7. 基于图片的的物品识别算法.
  主要讨论算法的机制, 基础的技术. 它的针对性可能并没那么强, 甚至可能支持不同的分类任务, 如 kNN, decision tree.

---

快写完了.