于2018年6月5日提交给学术会议的论文《扰动神经网络（Perturbative Neural Networks）》在随后一段时间内，由Reddit论坛上一个质疑该论文的帖子开始，在社交媒体引发热烈讨论，相关讨论的浏览次数超过100万。进而引起了中国多家头部技术媒体，以及人工智能媒体的关注，引发二次传播，吸引大量人工智能从业者和公众注意力。

按人情常理去理解，论文作者会承受一定的压力，因为往往一些评论者的言论不会很“客气”。无论评论是来自中国还是来自国外的从业者。人声鼎沸之下，团队很快做出了下一步如何处理的正面回应，注意，是下一步如何如理，而不是没有实质性的回应。其中，关于验证方法的问题，Felix Xu同学承认了这中间的疏忽，并表示如果确实结果相差太多，团队会收回论文，也就是撤稿。

撤稿不是学术界的好新闻，自然是一件并不十分受欢迎的事。例如，在非常特殊的情况下出版方同意了撤稿请求，作者有可能也要承担高费用来弥补编辑和出版人员在这个过程中浪费的大量时间。更重要的是影响论文作者团队的声誉，根据现有的情况来看，即使是撤稿，这次事件不存在学术不端的问题，主要争议部分在于是否存在学术差错。

2018年11月24日，Felix Xu代表论文团队在Github做出了甚为详尽的回复。首先我们简单回顾一下论文相关。

一、回顾

这件学术风波起源于网友对于论文《扰动神经网络》的质疑。认为论文中准确度计算方法不正确，且作者提出的方法无效，故论文没有意义。网友的否定性质疑程度强烈，很容易带给人压力，而论文结果存在复现困难的问题又是不一个简单的问题。由于原始的科研文献经常无法提供重要参数设置和软件工程解决方案的细节，因此，很多大型系统都存在难以实现的情况。

众所周知，论文复现难是人工智能学界的常见问题，不少研究者也会抱怨人工智能顶级学术会议，如NeurIPS（原NIPS）等的论文复现困难，而且，复现工作颇为费时费力，时间可以从几天到几周，甚至几个月，受到“人机料法环，人事时地物”综合性因素的影响。由于人工智能学术前沿理论正在高速发展之中，不少具有良好效果的论文和其实现的方法都会受到领域的关注，尤其是实现过程中的终止条件和优化算法等关键点，性能的改进方案等。所以关于优秀论文的解读和复现的内容与文章都会受到关注。这篇论文又是2018年人工智能国际顶级学术会议，IEEE国际计算机视觉与模式识别会议的接收论文。

因此，此番质疑，备受关注。

《扰动神经网络》论文摘要：卷积神经网络在计算机视觉系统中得到广泛应用，更在一系列视觉识别任务中具有大量应用。即使在卷积层的基本前提保持不变的情况下，卷积神经网络架构和学习算法的进步也推动了这方面的许多进展。在论文中，我们寻求重新审视卷积层，它是视觉识别模型最先进的主力。我们引入了一个非常简单但有效的模块，称为扰动层，作为卷积层的替代。扰动层消除了传统意义上的卷积，而是将其响应计算为非线性激活的加性噪声扰动输入的加权线性组合。扰动层摒弃传统意义上的卷积，扰动层取代了传统意义上的卷积，而是将其响应计算为非线性激活的加性噪声扰动输入的加权线性组合。我们从分析和实证上证明了这种扰动层可以有效地替代标准卷积层。根据实证分析，具有扰动层的深度神经网络（称为扰动神经网络（PNN））代替卷积层的效果可以标准CNN相比较，在具有较少参数的一系列视觉数据集（MNIST，CIFAR-10，PASCAL VOC和ImageNet）上。

二、回应者是谁?

论文作者是Felix Juefei -Xu，Vishnu Naresh Boddeti，Marios Savvides。回应者是人工智能研究者Felix Juefei -Xu，他本科毕业于上海交通大学电子工程专业，研究生毕业于卡内基梅隆大学电气和计算机工程，就读博士时依然在卡内基梅隆大学电气和计算机工程。在博士研究期间, Felix Juefei -Xu在卡内基梅隆CyLab生物识别技术中心，一个研究小组专门从事模式识别、机器学习、计算机视觉、图像处理的小组，特别是应用于生物识别领域的技术导师是Marios Savvides教授。

Felix Xu在回应中提到，在博士研究的最后一年，专注于将一些研究工作用于探索深度学习中具有统计效率和对抗性的新方法，这一系列研究始于2017年IEEE国际计算机视觉与模式识别会议的论文。

三、回应详情

针对质疑Felix和团队对之前Reddit讨论中提出的问题进行了回应。回应分为五个部分，前四个部分是具有针对性的分析与论述，

第一部分，是关于质疑者难以复现论文的情况。

第二部分，关于论文的结果。

第三部分，关于所有层中的均匀附加噪声。

第四部分，关于为什么PNN可行？

在回应在最后，Felix同学坦诚地分享了自己在经历这个过程中的真实感受，表现出豁达和坦诚的心境，读后令人肃然起敬。

《亲爱的数据》翻译回应的尾声部分如下,

当我写完这个markdown文件时，我不禁回想起过去两个月的经历。我不得不承认，当MK决定在Reddit公开质疑时，我有点震惊，特别是在我已经同意调查这个问题之后。在一周之内，这篇文章引起了中国多家头部技术、人工智能媒体的关注。该帖子在中国社交媒体上分享，包括讨论此问题的新闻文章，观看次数超过100万。有些文章和评论很苛刻，但有些文章和评论是合理和公正的。虽然我很顽强，但也不能说没有收到压力。

但我开始意识到，作为一名研究人员，站在公众监督之下不是一种选择，而是一种责任。为此，我真的要感谢迈克尔，不仅花费时间和精力来重新创建和验证已发布的方法，更重要的是，当不匹配出现时，表达出来。我坚信，正是通过这些努力，我们整个社会才能取得真正的进展。
此外，我想对即将进入该领域的年轻研究人员或即将进入人工智能领域的大学生（高中生，不要意外是的！）讲几句。这样的事情确实发生了，但你绝不应该对开源代码或开展研究气馁。这是人工智能领域发展如此之快的核心原因。最近回中国的旅途中，我有机会与一位高中毕业生见面，他正热切地与我讨论批量标准化和集团规范化的实施细节。我真的很惊讶。对于所有年轻的人工智能研究人员和从业人员，我真诚地鼓励你们打破常规思考，不要停留在教条上，启程未经探索的旅行，走少有人走的路。最重要的是，开展研究并分享你的代码和研究成果。所以，让我们继续学习、研究和分享。Felix，2018年11月24日。

人工智能正热，这是一个全球与多学科发展领域，相信这次风波可以从中看到来自中国的人工智能研究者的坚持与担当。

2018年11月月初，在第六届“腾讯WE大会”上，《自然》总编辑的菲利普•坎贝尔（Philip Campell）对中国媒体表示，

“论文撤稿是科学进程的一部分。实际上就撤稿而论，只有50%的可能是因为存在学术上的行为不端，但是也有很多是由于非常诚实的原因需要撤稿。”

另一方面，学术交流讨论在学术发展中颇为重要，学者间相互交流、探讨与切磋，其最终目的是使科学信息、思想、观点得到沟通和交流。这次热议也是一次学术交流的机会，不知道Felix回应后是否还会引起“热议”。

无论结果如何，学者坦诚和负责任回应态度都应该受到肯定。

此处可以有掌声，大约持续一分钟。（完）

亲爱的数据

出品：谭婧

美编：陈泓宇