Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

魔王机器之心报道

要不要读博?机器学习博五学生和强化学习博士展开了一场battle

要不要读博?读博值不值得?如何才能顺利完成博士生涯,并为职业发展打好基础?最近,社交网络上就此展开了一场争论。

读博还是不读博,这是个问题。

是否读博、读博有多难是个经久不衰的话题。最近,一个 reddit 热帖再次点燃了大家的讨(tu)论(cao)热情。

一位机器学习方向博五学生谈论了他的读博经历,而主旨竟然是「为什么你不应该读博?」。

为什么不应该读博?

这位博士生分享了他在「博士之旅」中的一些观察,并表示自己的读博经历和体验并非个例。

以下是他的观察结果:

首先,读博耗时长,机会成本高,而最终的回馈却并不丰厚。这有点像是一个骗局。一些朋友还分享过教授不让学生毕业的「恐怖故事」……

但这只是发帖人认为不应读博的表层理由。

主要原因是读博伤害创造力和创新性。博士项目吸纳了很多视野广阔、有创造力和创新性、有抱负、积极进取的学生,略微天真但有梦想。这些学生在开始读博时拥有独特的想法和视角,以及解决问题空间的新方法,并且期待自己能产生影响力。

然而博士项目把这些都毁掉了。在博士项目结束时,学生被变成了机器,用和他人同样的方式来解决问题。他们被这样教导:这是 SOTA 方法,你只要对这些算法做出哪怕微小的改进就已经很幸运了

问题在于 SOTA 可能只是局部最优解呢。也就是说,这些学生被灌输的想法是用次优方法解决问题空间。这就难怪他们无法做出有影响力的东西呢,方法本身就处于平台期了。

那么如何使机器学习模型跳出局部最优解呢?对探索 / 随机化给予奖励。

发帖人认为我们需要反省教学方式。显然,为了高效,博士生需要具备一定程度的特定领域专业知识,但这不能以想象力作为代价,更不能是寻求新方法的勇气。99% 的新方法可能结果不如 SOTA 方法,但也许正是一个独特的、疯狂的 idea 会使领域变得更加开阔。

当你成为「专家」的时候,你获得了很多,同时也失去了很多。发帖人表示:「在开始读博前,我能够很兴奋地发动自己的想象力,思考一些天马行空的方法来解决问题。其中大部分想法存在致命缺陷,但我对此并不设限。」

科研应当是一场富有创造性的疯狂冒险。而博士项目吸引了有潜力带来巨大影响力的学生,然后又浇灭了他们的激情和创造性。这就像明星大学生运动员进入了一个执教糟糕的队伍,最后变得越来越差。

这篇帖子发出后,引发了大家对「创造性」、「一味追求 SOTA」等的激烈讨论。今天,reddit 上出现了一个回应帖,其标题是「为什么应该读博」。

为什么应该读博?

这位发帖人是一位强化学习方向的博士,ta 表示很享受自己的博士生涯,并阐述了从读博经历中学到的东西,给出了关于读博的一些建议。

ta 认为以下这些事情使得读博经历令人满意:

  1. 与导师建立富有成效的关系。如果你足够幸运,你的导师可能是世界级专家,还能即时回应你的问题,对你的 idea 感兴趣并提出有益的改进建议。

  2. 在不要求具体产出的前提下,了解自己感兴趣的主题。

  3.  日常工作能够匹配你想要建立的技能组合。

  4.  基于自己的 idea 自主创建项目。

  5.  拥有实验室专家资源,并锻炼与其合作、社交、接受反馈的能力。

  6.  获得去工业界实习的机会。

  7. 在顶级会议和期刊上发表工作。

如果你能从读博生涯中获得这些,那这次经历一定是有趣且值得的。如果你足够幸运,这还将为你之后的职业生涯奠定基础。

那么如何评估以上 7 点呢?发帖人提供了一些建议:

  1. 仔细阅读潜在导师的最佳出版物和近期有影响力的工作,确认其此前是否指导过优秀的学生。与潜在导师现在或之前的学生联系,询问他们与导师合作时的工作状态。如果可以的话,你还可以参与实验室轮转项目。

  2. 了解实验室同事是否有很大的论文发表压力。如果是,那么你可能很难了解其他领域。你所在的实验室 / 大学是否欢迎来自不同角度的创造性想法,是否有参加有趣讲座、和有才能的人进行交流互动的机会?

  3. 你将成为 PhD 所学方向的领域专家。思考这会带给你什么技能组合,读博结束后你又能凭借它们获得什么。同样地,你还需要思考获取这些技能的过程,以及你是否享受这一过程。

  4. 导师给你的是涉及狭窄主题的项目还是一幅更广阔的图景?(推荐后者,尽管风险性更大。)导师的发表文章主题局限于狭窄的主题还是多个相关领域?导师的工作是否具备较高质量?

  5. 与现在实验室的成员见面,尝试了解他们的兴趣、专业方向和合作意愿。如果他们近期发表过文章,阅读并与他们进行讨论。

  6.  博士期间的实习对学习和未来职业生涯很有帮助。机器学习领域能够提供很好的机会,请尽量利用好这些机会。

  7. 实验室同事是否经常在顶级会议和期刊上发表文章?他们的工作是否被广泛引用,或者更具体地,是否对领域研究产生直接影响?

最后,请记住一点,在现实中,你不太可能有机会满足所有这些标准,所以你的期望要合理,将读博可能获得的机会与非博士的机会进行仔细权衡,认真评估所有证据,然后跟着自己的直觉做出是否读博的选择。

此外,这位发帖人还强调:

沉没成本谬误是真实的。在考虑现有项目和未来项目时,如果你在一个想法上下了很大功夫却没有成功,不要害怕改变方向。同样地,如果你尽力了,但事情并没有解决,也不要怯于更换导师或合作伙伴。在止步不前时要及时发现这一点,并尽己所能(当然是在合理的范围内)摆脱它。如果事情变得很糟糕,不要害怕辍学。读博生涯应该充满兴奋和机会,而不是对失败的恐惧。

没有人能随随便便读完博士。去年,Nature 进行的博士生调查揭示了博士学位攻读中那些艰难的真相:科研压力、与导师的交流问题、就业压力等等。然而,依然有很多令人艳羡的「别人的博士生涯」。

当我们羡慕「别人的博士生涯」时,真正羡慕的是什么?当我们面临读博挫折时,是否要撑下去,能否撑下去?

以及最根本的,读博还是不读博?这个问题,你怎么答?

参考阅读:


参考链接:
https://www.reddit.com/r/MachineLearning/comments/k28qgr/d_why_you_shouldnt_get_your_phd/
https://www.reddit.com/r/MachineLearning/comments/k2pd9n/d_why_you_should_get_your_phd/
工程博士读博与否
相关数据
机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

强化学习技术

强化学习是一种试错方法,其目标是让软件智能体在特定环境中能够采取回报最大化的行为。强化学习在马尔可夫决策过程环境中主要使用的技术是动态规划(Dynamic Programming)。流行的强化学习方法包括自适应动态规划(ADP)、时间差分(TD)学习、状态-动作-回报-状态-动作(SARSA)算法、Q 学习、深度强化学习(DQN);其应用包括下棋类游戏、机器人控制和工作调度等。

推荐文章
暂无评论
暂无评论~