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. 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.

3. 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.

3.1 机器学习系统

作为系统, 应与具体应用强相关, 甚至可以是商用系统. 与之相匹配的是, 通用性不强.

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.

3.2 机器学习模型

作为模型, 应针对一大类的实际应用, 同时具有较好的通用性.

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.

3.3 机器学习算法

作为比较底层的算法, 针对性弱, 但通用性强.

例 7. 图片分类算法.
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.
它本身并不告诉你如何设置超参数，如: k k kNN 的 k k k 值及采用的距离函数; 深度学习的网络层数、卷积核大小等.

4. 机器学习项目的研究目标范例

有了以上的基础, 这里来讨论如何写具体的目标.

4.1 应用驱动的项目

例 8 (硬杠系统指标). 本项目拟基于多时序、多模态的游客数据、旅游景点数据、餐饮数据、住宿数据, 开发针对都江堰市及其周边的一套智慧旅游系统, 具有如下功能: 对用户偏好的预测, 准确率不低于 85%; 以家庭或个人为单位的个性化旅游线路推荐, 满意度不低于 90%, 综合考虑游客满意度与负载均衡的团体旅游线路推荐, 满意度不低于 90%; 支持 100,000 个用户的并发访问, 服务器延迟不超过 0.5s.
分析:
a) 描述了系统的一些具体功能, 以及相应的指标;
b) 这是最“正宗”的研究目标, 与研究内容的味道严格区分;
c) 与例 4 相比, 系统更大, 功能更加细化;
d) 作为“研究目标”, 并没有“研究”的味道, 感觉是为了某公司而开发的一个实际系统, 充满了金钱的味道.
例 9 (兼顾不同层面). 本项目拟针对智慧旅游所涉及的多时序、多模态数据, 提出实时准确的时序预测算法、交互式的推荐算法, 构建智慧旅游的通用框架, 并开发一套具有川西特色的智慧旅游系统.
分析:
a) 把算法 (小)、模型 (中)、系统 (大) 三个层面的目标都写上了;
b) 每个目标都具有相应的考评指标 (实时准确、通用、具有特色);
c) 希望这种模式能与研究内容 (也讨论 what)、技术路线 (讨论 how) 的味道区别开来;
d) 张老板觉得这个味道和摘要的差不多.
例 10 (描述系统特点). 本项目拟针对游客、旅游景点、餐饮、住宿等多时序、多模态数据, 构建一套智慧旅游系统, 预期特点包括: 具有良好的预测能力, 对常游客的偏好提供准确预测; 具有良好的个性化旅游线路推荐能力, 满足家庭或个人的需求; 具有良好的多元化团体旅游线路推荐能力, 拉动旅游点均衡发展.
分析:
a) 与例 8 相比, 不写太具体的区域, 避免搞成一个商业项目, 失去“研究”的味道;
b) 不写可量化的指标, 因为研究之前无法保证它们能达到.
例 11 (高屋建瓴). 以xxx的需求为牵引，突破xxx理论与方法的瓶颈；解决xxx等导致的xxx等核心科学问题，促进xxx融合；促使xxx的应用，以获得xxx的结果。
分析: 这个版本就不透露细节了, 至少要用红包来换.

4.2 模型开发的项目

例 12 (只谈模型). 本项目为推进旅游业的发展, 开发具有可扩展性的智慧旅游框架, 一方面提供助游客数据、景点数据、餐饮数据等的接口; 另一方面能将这些数据有机融合提供统一的数据挖掘平台, 以支持区域智慧旅游项目的快速搭建.

4.3 算法研究的项目

从实际应用的角度, 研究的目标是获得一个可用的系统 (产品、蛋), 其评价指标包括: 完整性 (不依赖其它系统), 精度 (仅考虑某一种数据).
从计算机专业的角度, 研究的目标是获得算法 (母鸡), 其评价指标包括: 通用性 (是否适应于各类数据), 效率 (时间、空间复杂度), 精度 (或泛化能力，需要在尽可能多类别上的数据进行测试).
因此, 这种研究目标更难写.

例 13 (只谈算法). 本项目拟针对多时序分析问题, 开发一套适用于结构化数据、图片数据、视频数据、时序数据的在线主动学习算法, 时间复杂度不超过 O ( n 2 m ) O(n^2m) O(n2m), 空间复杂度不超过 O ( m n ) O(mn) O(mn), 其中 n n n 为样本数, m m m 为特征数; 在相同查询的比例下, 预测准确率不低于流行的算法.

5. 小结

总觉得还没写到位. 什么套路才是最简洁、最清晰的呢?
继续努力!

NSFC: 研究目标看似简单相关推荐

无监督学习最新研究：通过简单的「图像旋转」预测便可为图像特征学习提供强大监督信号
作者:Spyros Gidaris.Praveer Singh.Nikos Komodakis 「雷克世界」编译:嗯~是阿童木呀.KABUDA.EVA 在过去的几年中,深度卷积神经网络(ConvNet ...
看似简单的hashCode和equals面试题，竟然有这么多坑！
作者:徐刘根,大家都喊我根哥! hashCode()方法和equals()区别与联系这到面试题,看似简单,根据以往面试星友的情况来说,绝大部分人都不能很好的回答出来,要么没有逻辑,想到一句就说一句,要 ...
equals的效率_看似简单的hashCode和equals面试题，竟然有这么多坑！
点击上方"Java后端技术",选择"置顶或者星标" 你关注的就是我关心的! hashCode()方法和equals()区别与联系这到面试题,看似简单,根据以往面 ...
【论文写作】论文中研究背景、国内外现状、研究目标、拟解决的关键问题、创新性、研究意义要怎么写
文章目录 1.各部分概要 2.研究背景 3.国内外现状 4.研究目标 5.拟解决的关键问题 6.创新性 7.研究意义 1.各部分概要论文的研究背景: 研究背景是论文的开篇之一,是介绍论文研究背景及现 ...
【转】【荐】看似简单的问题静态方法和实例化方法的区别
[转自]看似简单的问题静态方法和实例化方法的区别这是一个经常被时时提出来的问题,很多时候我们以为理解了.懂了,但深究一下,我们却发现并不懂. 方法是我们每天都在写得,很多程序员大多都使用实例化方法 ...
可突破任意ARP防火墙，以限制流量为目标的简单网络管理软件
以下消息来自幻影论坛[Ph4nt0m]邮件组软件说明: 可突破任意ARP防火墙,以限制流量为目标的简单网络管理软件. 使用方法: 1.在参数设置中选择好工作网卡: 2.检查网关信息和本机信息是否正确 ...
hashcode的作用_看似简单的hashCode和equals面试题，竟然有这么多坑！
hashCode()方法和equals()区别与联系这到面试题,看似简单,根据以往面试星友的情况来说,绝大部分人都不能很好的回答出来,要么没有逻辑,想到一句就说一句,要么抓不住重点,答非所问.从这个很 ...
绘图的尺寸_AutoCAD新功能：参数化绘图，绘制看似简单，实际复杂，案例详解...
虽然很熟悉 CAD 软件的使用,但是对于CAD参数化绘图功能并不了解,甚至不知道.随着 CAD 版本的不断更新,功能越来越完善和强大,从AutoCAD2010 版本开始,增加了一个支持利用约束条件绘制 ...
看似简单的搜索引擎，原来背后的数据结构和算法这么复杂？
来源 | 码海封图 | CSDN 付费下载于视觉中国前言我们每天都在用 Google, 百度这些搜索引擎,那大家有没想过搜索引擎是如何实现的呢,看似简单的搜索其实技术细节非常复杂,说搜索引擎是 ...

NSFC: 研究目标看似简单