Duxy's

a digged hole

人生第一次旁听博士论文答辩随感

放下了感觉很重要的事情,冲到几十公里外,参与了师兄师姐的毕业论文答辩。感受了一下真正的高水平毕业设计,感触良多。

一直感觉,博士学习的就是一种思想,一种站在高处,以旁观者的角度看待剅万物的规律,解决常人所无法解决的问题的思想。一直觉得,自己的高度还不够高,还差得远。以为自己做了点实验,做了一些工作,似乎熟悉了这里面的道道。却在今天复又发现,还有很长的路要走。

以前搞的本科答辩,就是搞着玩。自己亲历的硕士答辩,就是一个项目结题会。今天因为堵车,迟到了40分钟,看到师姐都在最终提问了,算了一下时间,就以为3位师兄姐都快答完了,还比较懊恼呢,结果坐了20分钟后,才发现,这是上场的第一人。

答辩内容就不多说了,反正我也是一知半解,不管怎么样,都觉得他们的内容非常的高大上,已经脑洞大开。但是评委们的问题,更是让我体会到了思考角度的不同,在此将一些心得记录一下。

评委老师的建议

  • 模拟实验很重要,但永远没有实测结果有说服力
  • 有些事情对于一般情况来说很好,对于特殊情况来说,是否仍然具有竞争力,是值得考究的事情。
  • 答辩、文章需要理清前后关系,注意整体效果。(这个老冯以前也提到过,文段间要有一个连贯的思路。但是说得容易,做到难啊)
  • 研究成果的受众是谁,在研究过程中要随时挂在心头。能够在研究结果中提出建设性意见,特别是一些别人不容易获得的结论,能够使文章更有意义。
  • 如果自己的成果间有一定的关联,那么就要说清楚,为什么后面没有使用自己研究的结果。否则就显得像是一纸空谈。
  • 数据挖掘是从数据中得到未知的规则,统计分析是用数据去训练已知的模型。两者有一定的区别。(个人感觉,dirichlet,HMM都可能算是已知模型)
  • 在定义代数系统时,需要考查集合元素个数,需要有运算规则。如果是有限集,可以定义成运算表。并且要对运算规则进行验证,保证它的正确性,封闭性等性质。
  • 特定的研究方向,要与常规的研究方向进行比较,找出其不同之处以及特殊性,否则只是模型的套用,没有太大的意义。
  • 论文中的一些细节,可能引出重要的性质或特征。比如在某师兄的文章中,用到了一个卷积处理数据,他只知道处理了结果会很好,但不知道为什么要这么做。而从原理分析,卷积是做了滤波操作,那么,结果就可能与具备某种特征的信号有关系,深入研究可能获得意想不到的信息。
  • 论文题目的定义,不要定义得太大,容易引起不必要的误解。在某题目中加入“关键技术的研究”,可以适当缩小题目范围。论文背景中,最好介绍研究成果的受众,可以加深评委对文章内容的理解。
  • 好像师兄师姐论文的格式都被吐槽了,以后论文一定要留出时间多过几次。

学到的研究方法

  • 对于密集的实验内容,可以使用不同的灰度来加强读者的感观效果。
  • 图上可以使用定义的符号来进行描述。
  • 以模元(模式单元)来描述用户行为的原子单元。后续研究可以基于模元实现。但其设定是开放性的,后续可以继续研究如何选取合适的模元。
  • Dirichlet、HMM、Bayes网用得还算比较多呢,程序运行过程可以通过它们进行一定的处理。这方面的思维还需要好好锻炼一下。
  • 进程代数可以用来描述程序的执行状态,是分析程序运行可靠性的工具。
  • 概率中会用到“泊松特点”?
  • 博利叶变化对矢量进行“等长填充”?
  • 惯性权重系数?
  • 动态Bayes网?