第362章 未尝也不是一件好事（2/2）

请关闭浏览器的阅读/畅读/小说模式并且关闭广告屏蔽过滤功能，避免出现内容无法显示或者段落错乱。

毕竟在MIT被人指出问题，总比在校外被人指出来强。

在校内指出问题。

代价无非是当场被追问几句，回去之后改掉就行。

毕竟是自家地盘，大家都不会太过苛责。

如果是在纽约大学或者UCLA的交流会上被问到同样的问题。

台下坐着的是外校的教授和学生。

他答不上来或者答得不完整，就会影响对方对他工作严谨性的整体判断。

那种场合下丢的面子，比现在要大得多。

说改就改。

林晓立马把数据预处理脚本重新打开。

找到了那个分布重标定的操作进行修改。

......

三天之后。

完成了MIT这边的学术报告。

林晓马不停蹄赶往纽约大学。

库朗数学科学研究所的报告厅。

林晓站在讲台前。

此时的PPT已经翻到了最后一页。

“我的报告到这里。谢谢大家。”

他合上翻页器，退后半步站到讲台侧边。

报告厅里安静了片刻，然后掌声从第一排开始响起。

第一排坐着的是纽约大学计算机科学系和数学系的几位教授，其中有两位是勒丘恩的长期合作者。

在他们的带领下，后排的学生跟着加入。

掌声从稀疏变成密集，最后在整个报告厅里连成一片。

林晓站在讲台边，微微欠了一下身。

报告结束后。

意味着提问环节已然开始。

坐在第二排的一位中年教授举了手，他做的是深度学习理论方向。

“你在糖质密度图的质量评估网络里用了卷积结构，但卷积的平移不变性假设在密度图上是否成立？”

“糖质的局部结构在二维投影中可能因为取向变化而产生位移，卷积核对这种位移的响应是否稳定？”

“你做过旋转镜像的数据增强吗？”

林晓回答：“做过旋转增强，但没有做镜像增强。”

“原因是糖链的螺旋方向在生物学上有意义，镜像翻转会破坏这个特征。”

“平移不变性的问题确实存在，我采用的策略是在切分局部片段时用重叠窗口，让同一段结构在多个窗口中出现在不同位置，网络在训练中会逐渐学会忽略这种位移。”

“效果上，验证集上加入随机平移扰动后，质量评估准确率的下降在可接受范围内。”

那位教授点了点头：“所以你是用数据增强来补偿卷积的归纳偏置，而不是修改网络结构。”

“对。修改网络结构需要引入更复杂的等变网络，训练成本更高。在现有数据规模下，数据增强是更务实的方案。”

紧接着又问到几个问题。

林晓轻松地回答完。

于此同时。

他在心里也感受到两个学校的差别了。

他在MIT做报告的时候。

问的是采集函数的数学依据、损失函数在饱和区的梯度行为、参数空间维度与优化策略的匹配关系。

每一个问题都指向方法链条中最薄弱的那个环节。

逼着他把推理过程从头到尾重新走一遍。

而在纽约大学。

虽然提问的人也很认真，但问题的层次明显不同。

不得不说，在某种程度上。

这或许已经说明了一些问题。