CMU AI PhD 第一年总结

作者 | SpadeAce

https://zhuanlan.zhihu.com/p/519841457

大家周末愉快呀！这里是NewBeeNLP，今天给大家分享一位大佬在Facebook做了四年机器学习，又到CMU攻读AI PhD的经历，希望给后续也想要深造的朋友们一点经验和帮助，以下为原文。

不知不觉在 CMU 待了快一年了，时间过得可太快了。。。以前总觉得 PhD 五年时间很漫长，实际上第一年已经不知不觉溜走了，给人感觉也就过了一个月。。。第一年过得很开心，然而感觉个人的成长却没有很多，主要还是自己花的时间不够多，之后应该更努力一些。

关于 Research

我一直蛮明确自己的 research taste，想要做 “可以解决实际问题的 research，且方法是 principled，是 theoretically motivated 的”。这类 research 我总结一般有如下几个步骤：

发现一个好的问题：一个 well-motivated 的真实存在的问题
把实际问题抽象化，提出 Mathematical formulation
基于提出的 Mathematical formulation，提出 principled 的方法去解决。这种方法一般是有道理的，通过数学推导得出的。
做实验去验证提出的方法的有效性。一个好的方法应该大概率是放之四海而皆准的，大概率可以应用在多数真实场景之下的。当方法不 work 的时候，因为有背后的数学做指导，大概率也知道为什么不 work，以及怎么调整使得方法 work。我很佩服我合作者的一点就是，对于背后的数学十分熟悉，常常在做实验之前就可以预测实验结果；当实验结果不 work 的时候，也知道是哪些假设不满足，并且很快就能提出基于数学的解决方法。

最近我们在 arxiv 上面 post 了一个我个人很喜欢的工作：https://arxiv.org/abs/2205.09809

这个工作主要解决的问题是：在推荐系统当中，因为 maximization bias 而导致的 prediction over-estimation 的问题。虽然 maximization bias 在 RL 里面比较有名，我个人之前没听说过有谁意识到 maximization bias 也会导致推荐系统中的 prediction over-estimization。而我们解决这个问题的方法就是按照上面几步曲来做的。

通过这个工作，我深刻的认识到了自己的不足：technical 水平（数学水平）实在差的太远。。。上述的第一步第四步我都能比较自信的解决，但是这第二步第三步有点超出我现在的能力范围了。。。数学这东西也没有什么捷径，只能慢慢积累。希望之后几年能提高我的 technical 水平。

业界的方法 V.S. 学界的方法

可能是因为我工作过蛮长时间，我解决问题的思路和方法也都很业界：重解决问题，而轻方法的 guarantee。我比较喜欢的解决 ML 问题 empirically 的方法论是：

发现一个好的问题（同上）
提出 hypothesis（假设）来解释我们为什么会有这个问题。那么又该如何提出好的假设呢？通过不同的 view（视角）来分析同一个问题，比如 statistical view, causal view etc.
做实验来验证假设
如果假设验证成功，基于假设有的放矢的提出解决方案

回到上面 maximization bias 的例子。作为 engineer，一开始发现的问题就是上线的模型效果不好（prediction over-estimization），但是并不知道是什么导致的。这时候就需要提出假设：如果我们认为每个 prediction 都有 variance，那么之后的 selection step 就会导致那些被 over-estimated 的 prediction 更容易被选择到，也就出现了 maximization bias。有了假设，实验便很容易设计了：同时上线若干个类似的模型，可以发现每个模型只在自己 serve 的 traffic 上有 over estimation，而在其他模型 serve 的 traffic 一直都是 well calibrated 的。基于这个被验证的假设，解决方法可以参考 RL 里面经典的方法，比如一个模型用来 select，一个模型用来 predict。

到此为止，我觉得这是一个很好的业界解决 prediction over-estimization 的 empirical work：解释清楚了这个现象的原因，并提出了解决方法。但是却没能更进一步：把问题抽象化，通过数学的方法进行分析，并提出更好的解决方案。我个人感觉这就是业界学界解决问题的方法的不同之处之一：业界解决完问题就结束了，不会进行更深入的思考，也不会要求解决方法的数学 guarantee，empirically 解决了问题就大功告成。而学界常常要求进行深入思考，并对提出的方法有一些数学上 guarantee 的要求，至少要解释清楚，这个方法什么时候 work，什么时候不 work，assumptions 是什么。如果没有某些情况下的 guarantee，那么提出的方法显得很 ad hoc，很难变得 convincing。我就常常在这一步被卡住，还需要好好提高 technical 水平。。。

业界给人带来很多很好的实际问题，学界给人带来扎实的 technical 基础，能够使人不仅仅局限于最好想的 naive 的解决方法。以后要多去业界看看，积累好的问题；同时在学界踏下心来，夯实基础。

一起交流

想和你一起学习进步！『NewBeeNLP』目前已经建立了多个不同方向交流群（机器学习 / 深度学习 / 自然语言处理 / 搜索推荐 / 图网络 / 面试交流 / 等），名额有限，赶紧添加下方微信加入一起讨论交流吧！（注意一定o要备注信息才能通过）