研究生不知道怎么看论文？赶紧把学长的经验码起来

秒速五厘米 2022-09-12 11:55 139阅读 0赞

<table> 
 <thead> 
  <tr> 
   <th>如何读论文</th> 
  </tr> 
 </thead> 
 <tbody></tbody> 
</table>

## 选paper ##

*  根据名称、来源、年份、作者、引用数，选取最新的，最有影响力的paper。
 *  名称决定了内容相关性
 *  来源决定了paper质量
 *  年份决定了paper的新颖程度
 *  作者有时候决定了任务的一系列成果
 *  引用数决定了paper的影响力。

## 读paper ##

要“主动”的读paper！！！  
要“主动”的读paper！！！  
要“主动”的读paper！！！

带着问题去paper中找问题。有助于快速定位要点和快速理解文章。我个人一般是按下面几个要点去探索一篇文章。

### 1、task ###

了解文章要解决的主要问题是怎么样的。
    abstract，introduction，conclusion

### 2、related work (有的文章可以把这部分放到最后再读） ###

针对task，现有工作是怎么做的，有哪些视角和方法。
    视角决定了你未来可能采用的方式。
    常用的方法奠定了你在这个领域的基础。这些文章也非常重要。
    如果对这些文章不理解。通常去要发掘其中的关键、经典文章，精读。
    abstract, introduction, related work.

### 3、motivation ###

这是为什么有这么一篇文章的关键。
    要么遇到了新的task，要么是现有task中，现有方法解决不了一些特定的问题。
    abstract，introduction，conclusion

### 4、Method ###

这与motivation是息息相关的。
    前面提出了现在有什么问题，那么method就要有相应的解决方案。
    通常情况下，一个问题对应一个模块，多个问题对应多个模块。
    abstract，introduction，conclusion、method/framework

### 5、验证 ###

所有提出的解决方案，都需要用实验验证其有效性。这依赖于实验设置与实验效果。
    实验设置包含数据集、评价指标、baseline。
    数据集会有相应的处理，以符合文章task的基本假设。
    例如，如果文章是解决推荐系统的冷启动问题，那么在数据中，一定会想办法构造冷启动的情况，并加以验证。
    
    评价指标应该是能够评价motivation问题的方案。
    例如，如果说现有方法在top-5表现不好，那么就会有top-5的各类指标。
    baseline应该是SOTA的方法，能够与提出方法做公平对比。可以是子分支的SOTA方法，也就是说它的performance不一定是全部方法中最好的，但是基本接近第一梯队，并且在分支里是最好的。例如，如果改进SVM达到了接近CNN的效果，即便没有超过，也是一篇优秀的论文。
    
    实验效果应该说明提出方法的某个角度的问题。
    每一张图、每一个表，都有着作者相应的解释，证明提出方法在motivation上的有效性。或者提出的方法本身的一些特性研究，如泛化能力，子模块的必要性等。
    experiments.

### 6、未来可以拓展的方向 ###

文章通常会给出一些作者考虑的可以继续深入的角度，供参考。
    conclusion.

扫文章：  
上述是精读一篇文章的方法。如果文章本身不复杂，或是本身对领域比较了解时，可以简化上述过程。读一读abstract，了解1、3、4，即可确定是否需要继续深入了解这篇文章。

略读：  
读一读abstract，conclusion，introduction，结合method部分，即可理解文章的概要。

<table> 
 <thead> 
  <tr> 
   <th>读论文要点</th> 
  </tr> 
 </thead> 
 <tbody></tbody> 
</table>

1、Paper题目、来源（会议期刊名）、年份、作者、引用数。目的是能够大致的判断文章的质量。  
2、Motivation。这篇文章为什么要做这件事情。这是所有文章的核心。如果motivation不清晰，后续做的所有事情都是没意义的。  
3、相关文献。现有的方法是怎么做的，怎么不足了。  
4、方法。也就是解决方案。应该与Motivation和相关文献中提到的不足一一对应。要从逻辑和公式两个角度将解决方案讲清楚。介绍逻辑的过程应该是一个主观的感受，不要与公式混杂。  
5、实验。包括数据集、指标、实验设计的角度和效果。  
6、展望。conclusion中说的可以继续探索的部分。

<table> 
 <thead> 
  <tr> 
   <th>论文讲解模板</th> 
  </tr> 
 </thead> 
 <tbody></tbody> 
</table>

第一部分：  
1、Paper题目、来源（会议期刊名）、年份、作者、引用数。  
2、任务介绍，包括动机（传统方法的不足），输入输出格式。  
3、（可选）重要的相关工作。

第二部分：  
1、模型主要结构，各部分的介绍。可以列公式，但尽量避免讲公式。  
2、强调模型是如何解决第一部分中提到的动机问题的。

第三部分：  
1、实验数据集及预处理方案。如何组织测试数据的。  
2、评价指标。  
3、baseline介绍。

第四部分：  
1、实验中重要的表或图。  
2、表或图对应的验证结论。  
3、强调图或表验证了动机或模型的哪一个方面。

--------------------

1、使用pytorch，手动实现Lenet分类minist，并训练出有效的分类模型。  
目标：  
理解模型训练、验证和测试过程。  
熟练掌握pytorch的数据加载和预处理架构。  
熟练掌握网络层的定义、关键参数和使用方法。  
理解正向反向传播流程。  
理解优化器的使用方法。

2、看懂caffe的Lenet代码。  
目标：  
理解caffe的配置文件  
了解caffe的层定义方法

3、把caffe的caffenet的代码编译运行起来。  
目标：  
掌握C++编译和执行过程。  
理解caffe的运行机制

4、把Wheel的代码编译通过。https://github.com/duxy-me/mm2017-wheel  
目标：  
掌握MPI+Cuda的编译过程。

--------------------

1、第一篇文章还是需要仔细带，从找题，解题，实现到成文，整个过程需要深度参与。  
2、上手不要做热点问题，最好是经典问题的扩展。能够快速得到结果，以免打击科研积极性。  
3、前期都不要做太难的问题，由简入难。刷了几篇文章以后，再考虑花时间做一点难的问题。  
4、要培养学生的独立性。  
5、多扔到企业实习。

--------------------

1.  完成coursera上Andrew NG的课程  
    https://www.coursera.org/learn/machine-learning
2.  自学cs231n课程  
    http://cs231n.stanford.edu/

目标：  
1、了解机器学习

*  基本概念：训练、测试、目标函数、过拟合、欠拟合、调参，等  
    2、了解神经网络
 *  基本概念：全连接层、卷积层、正向传播、反向传播
 *  经典技术：Convolutional Kernel, Dropout, Residual Block (ResNet), Adversarial Learning, Attention Mechanism, Generative Adversarial Network (GAN).  
    3、了解编码环境
 *  虚拟环境：Anaconda
 *  开发框架：Pytorch
 *  常用工具：Jupyter, Github

--------------------

BadTalk.pdf

--------------------

# 综述 #

*  DeepFakes and Beyond: A Survey of Face Manipulation and Fake Detection
 *  Deep Learning for Deepfakes Creation and Detection

# Strong Baselines #

*  Face X-ray for More General Face Forgery Detection

# 数据集 #

*  FaceForensics++: Learning to Detect Manipulated Facial Images
 *  Celeb-DF: A Large-scale Challenging Dataset for DeepFake Forensics

# 对抗相关 #

*  Watch your Up-Convolution: CNN Based Generative Deep Neural Networks are Failing to Reproduce Spectral Distributions
 *  Evading Deepfake-Image Detectors with White- and Black-Box Attacks
 *  The Role of ‘ Sign ’ and ‘ Direction ’ of Gradient on the Performance of CNN
 *  Adversarial Attack on Deep Learning-Based Splice Localization

# 对杭样本STOA #

*  Explaining and harnessing adversarial examples
 *  Efficient adversarial training with transferable adversarial examples
 *  Fast is better than free: Revisiting adversarial training

> 机器视觉就是要代替人眼，机器学习就是要代替人脑。