(轉自林達華)深刻問題自己

不少作research的朋友喜歡top-downapproach，包括我本身。就是說，在開始一個topic的時候，在第一時間就設定了大致的formulation，model又或者methodology。至於選擇哪一種設定，每每取決於研究者自己的偏好，知識背景，或者對問題的第一反應。

接下來的事情就瓜熟蒂落了，推導數學模型和相關公式以及算法步驟，而後設計程序進行實驗。固然少不了再拉上幾個相關工做，比較一番。若是本身的設計很幸運地有明顯的improvement，因而很是滿意，開始寫paper（在很多狀況下，paper的理論部分甚至提早寫好了）。但是，若是不work呢？一般你們會採起下面一些方法中的一種或者幾種：

• 觀察實驗結果，猜測幾個不work的緣由，而後回頭局部調整模型和算法；
• 換一下數據集，看看能不能work
• 祭起「終極法寶」——調參數，人工修改或者寫腳本遍歷，直到找到一組work的參數爲止。不過，那些做爲「綠葉」用的參照算法，一般是沒有這種待遇了。

不管如何，你總算把實驗搞定了。可是，爲何work呢？除了幾條曲線，你總得找一些「讓人信服」的理由。在我所在的領域，有一些理由幾乎是萬能的，於是廣泛出如今paper裏面：

• 之前的算法，不考慮某某因素，而這個因素是很重要的，個人算法考慮了，因此效果更好
• 之前的算法，把某些因素分開考慮，可是它們其實是相關聯了，個人算法把它們結合在一塊兒，體現了這種關聯關係，因此更好
• 之前的算法是線性的，可是這個問題自己明顯是非線性的，我這裏用了非線性的方法，因此更符合實際。爲了進一步解釋清楚，還畫出一些二維或者三維的toy samples，顯示出線性和非線性有「多麼巨大的差異」
• 之前的方法用的是參數化模型（好比高斯分佈），而現實世界明顯不是這樣子，我這裏採用非參數化模型，能更準確地逼近實際分佈
• 主流方法大都採用某某算法完成某個步驟，或者某某特徵來描述某個方面，其實這個算法或者特徵在這裏不太適合，我換了一個更適合的或者更「先進」的。

還有不少，不一而足。整體來講，就是增長了某方面的複雜性，推廣了模型，或者把某些部分變得更加時髦，數學更深。正由於多了東西能夠調節，只要花上足夠時間去設定參數，仍是有很大機會能找到一組能獲得improvement的參數的。但是，這種improvement是否是真正有意義呢？是否是足夠significant，以致於所增長的複雜性是值得的呢？

咱們的世界老是無限複雜的，和無數的因素相關，這些因素又老是有某種聯繫。咱們的前輩們留給咱們的最好的方法，就是從問題中分離出最關鍵的要素，和最重要的關係，而非不斷地增長價值不大的因素，創建意義不大的聯繫。

我並非一個徹底拒絕複雜，可是我我的以爲對複雜性的增加應該慎重。每增長一個要素，都應該是基於對問題的深刻分析，而不是先入爲主的設想和堂而皇之的理由。這不徹底是知識能力的問題，更多的是一種治學態度——是否是願意安心下來對問題自己進行深刻細緻的解剖，找出問題自己的關鍵所在，而不是脫離問題預先構想某種「漂亮」模型或者「巧妙」方法，而且經過上面所述的種種方法推銷出去。

研究是一種創新的過程，廣拓思路是必須的。可是真正有價值的novelty應該是創建在對問題自己的深刻理解，確實發現了別人忽略的關鍵因素，或者主流算法的真正不足，而且創造性地提出解決方法。這須要鍥而不捨的努力。真正經得起考驗的學術價值，源於解決尚未被解決的問題，而不是使用了某種所謂別人沒用過的「新穎」方法來解決原本已經解決的問題，又或者給模型加入某個要素來取得非實質性的性能改進。

上面所說的這些問題，幾乎都發生在個人身上。而湯老師的不少建議，其實正是指出了這些問題，卻沒有被我認真思考，反而老是覺得只要理論作得高深，模型設計得精巧，就是好的工做。來了MIT以後，更多地閱讀一些有歷史價值的文章（如今看CVPR反而比較少了），接觸一些更加solid的工做。許多有重要貢獻的工做，每每未必有很炫的方法和模型，可是，其對於問題自己的深刻發掘和洞察卻令我慚愧。

要作真正的學問，首先要戒除浮躁。