列舉從信息學競賽（OI）或清華計算機系走出來的牛人，人們總會提到鬲融的名字。
這位來自河北唐山的青年，因2004年與樓天城、胡偉棟、栗師代表中國參加第 16 屆國際信息學競賽（IOI）、全面奪金而一舉成名，保送清華后又在臥虎藏龍的計算機系留下三項至今無人打破的紀錄：17科滿分、學分積三年排名第一、計算機系歷史最高GPA。
當你以為他只是一位競賽強人時，他向你展示了在文化綜合科上的實力；當你以為他只是“兩耳不聞窗外事，一心只讀圣賢書”的學霸時，他又在離開清華多年后捧回在理論研究上的拔群戰(zhàn)績：NIPS 2016 最佳學生論文獎、素有“諾貝爾風向標”之稱的斯隆研究獎…
然而，關于鬲融的傳說，大多還是集中在早期的競賽與清華姚班的學習上。相比之下，他去普林斯頓讀博、從事理論研究的經(jīng)歷則鮮為人知。
作為“光環(huán)學生”，鬲融的一言一行被寄予厚望。但是，在與鬲融的對話中，我們發(fā)現(xiàn)，這位昔日的 IOI 戰(zhàn)神、清華本科特等獎獲得者在科研上并非一帆風順。剛?cè)腴T時，他也不知道該如何做科研，也是經(jīng)過一番自我覺醒，才明白了其中的門路。
與競賽、考試相比，鬲融在科研上屬于“大器晚成”：讀博前三年，他在近似算法研究上探索無果，無奈轉(zhuǎn)向機器學習理論研究，最后兩年才發(fā)了頂會文章。到2019年憑借非凸優(yōu)化的研究貢獻獲得斯隆研究獎時，他已是杜克大學計算機系的一名“青椒”。
2008年，鬲融從清華大學本科畢業(yè)，隨后赴普林斯頓大學讀博、微軟研究院新英格蘭分部擔任博士后，2015年進入杜克大學擔任教職。從姚班開始立志做理論研究，到成為機器學習理論研究方向小有名氣的青年學者，鬲融用了近 10 年。
那么，鬲融離開清華后的成長歷程是怎樣的？今天，我們只談鬲融與理論研究之間的故事。
作者 | 陳彩嫻
在清華計算機系 4 字班（2004級）中，最出名的當數(shù)信息學競賽圈無人不知的樓天城“樓教主”，百度曾經(jīng)最年輕的 T10 級員工，后來又率先創(chuàng)立了國內(nèi)知名的自動駕駛公司小馬智行（Pony.ai）。許多人最初知道鬲融，是借樓教主的名聲，因為在樓教主的一段軼事里，鬲融曾作為一個“配角”的身份出現(xiàn)：當時，樓教主的高中信息學競賽教練李建江一直認為樓教主是天才型學生，心中引以為豪，每次去北京出差，只要有時間就會順路去清華看望這位得意門生。結(jié)果到了清華，與老師、同學交流，李教練發(fā)現(xiàn)，自己的學生在計算機系最多只能排到第二名，因為樓教主的同班同學鬲融常年排名全年級第一。他還舉例：每次夜晚 9 點去清華的計算機系宿舍，鬲融肯定在，而樓教主還在教室用功。他因此感嘆，相比鬲融，樓教主是地道的勤奮型選手。在與AI科技評論的對話中，鬲融首次回應了這段傳聞：“哈哈其實是因為當時我們宿舍有空調(diào)，所以就不用去教室學習，樓天城他們宿舍沒有空調(diào)，他只能去教室學習?！?/span>
圖注：2007年，鬲融（中間）與樓天城（最左）、胡偉棟（最右）在日本參加ACM/ICPC，獲得亞洲賽區(qū)冠軍、全球第二名
樓天城的天賦與能力毋庸置疑，但相形之下，鬲融的實力也可見一斑。然而，在理論研究領域深耕多年后，回頭再看在清華讀本科時的成績與排名，鬲融只是一笑置之，稱自己不過是有一點“考試的天賦”：我就是在做一些不是特別難的題時可以做得很快，也不太會出錯?？荚嚳赡鼙容^有用，但是（這項能力）后來到了研究上面就沒有什么用了。研究的題比考試難，有些人可能考試時會在一些簡單的題目上卡住，但在做研究的難題時就會做得很快。
鬲融與樓教主曾經(jīng)是2004年一起參加 IOI 的戰(zhàn)友，上了清華后又曾兩次組隊參加編程競賽（兩岸清華編程比賽與ACM/ICPC）。但是，與業(yè)余時間還愛“玩玩競賽題”的樓教主相比，鬲融并不“戀戰(zhàn)”，參加完2007年ACM/ICPC后便徹底告別了競賽圈，因為那一年，他找到了下一個人生目標：理論計算機研究。當時，鬲融剛加入姚班不久。在姚期智、陳衛(wèi)、孫曉明等人的引導下，尤其是姚期智親自講授《理論計算機》課程，鬲融迷上了理論研究，立志走學術(shù)研究道路，將科研作為畢生之所向。但是，與競賽、做題相比，鬲融的科研“天賦”似乎略微遜色。比如，讀博前期，鬲融在近似算法（Approximation Algorithm）的研究課題上苦苦折騰了三年，也沒有找到正確的方向，最后只能無奈放棄。2008年，在姚先生的建議下，鬲融去了普林斯頓大學（計算機理論研究排名全美前5）讀博。普林斯頓的計算機系每年只招收大約 20 名學生。在鬲融那一屆，除了他，還有 3 名中國學生被錄取，包括鬲融昔日的 IOI 戰(zhàn)友栗師（現(xiàn)任紐約州立大學布法羅分校計算機系副教授）。清華姚班出來的學生對研究往往有一種使命感， 比如，引領一個領域的新潮流，或解決一道歷史上懸難已久的問題。年少的鬲融起初對學術(shù)研究也是這樣一種想法：“世界上有那么多猜想與沒解決的問題，挑一個去做就是了。”近似算法的研究歷史可以追溯到18世紀中期歐拉（L.Euler）研究的騎士環(huán)游問題，目標是用近似方法在多項式時間內(nèi)給出盡可能接近最優(yōu)值的解，比如著名的「旅行商問題」（TSP）：一個商品推銷員要去若干個城市推銷商品，該推銷員從一個城市出發(fā)，需要經(jīng)過所有城市后，回到出發(fā)地，那么，TA 應如何選擇行進路線，以使總的行程最短？這個課題很吸引鬲融。但很快，他就感到“出師不利”。近似算法發(fā)展至今，亟待解決的問題是大家都知道的幾個問題，比如旅行商問題、染色問題、最小分割等。鬲融的工作就是研究如何解決這些問題。但是，雖然有明確的研究方向，他卻總會在各種地方卡住，導致工作無法進行下去。至于卡住的原因，鬲融坦言，他到現(xiàn)在也還不是很清楚：可能是對研究的課題不熟悉，也可能是思路不對，各種可能都有。我們當時想做的事情直到現(xiàn)在也還沒有人做出來，所以也有可能是因為選擇的題太難。
三年下來，雖然他在ICALP、ISAAC等理論計算機的會議與期刊上發(fā)表了論文，但總體感覺還是困難比較多，所取得的成果也遠遠沒有達到鬲融對自己的要求。回想當時的磕磕絆絆，鬲融分析，做研究無非就是兩方面：一是找到合適的題目，二是把這個題目做出來。在選擇近似算法時，他對第一步的認知只是在“世界上已有的難題”上，直到后來轉(zhuǎn)向機器學習理論研究，才發(fā)現(xiàn)：原來學會自己定義問題，也是一項可貴的研究能力。轉(zhuǎn)折點發(fā)生在 2012 年。那一年，Hinton與他的學生Alex在ImageNet比賽中憑借AlexNet遠超第二名10個百分點，勇奪冠軍，深度學習崛起。鬲融的博士導師 Sanjeev Arora敏銳地察覺到機器學習（尤其是深度學習）在未來的發(fā)展?jié)摿?，開始關注機器學習。當時，鬲融正在近似算法的課題上掙扎，這正好給了他重新選擇的契機。剛好他本科在微軟亞研實習時也接觸過機器學習，對這個方向也很感興趣，于是就選擇了轉(zhuǎn)向研究機器學習理論。在這里不得不提的一點是，Sanjeev Arora 在鬲融讀博期間對他產(chǎn)生了重要影響，不僅直接引導他走進了機器學習研究領域，也塑造了他做科研的方法與態(tài)度。Sanjeev Arora是普林斯頓大學計算機系的Charles C. Fitzmorris教授，以研究概率可檢驗證明（尤其是PCP定理）而聞名，1996年獲得斯隆研究獎，2001年與2010年共兩次獲得哥德爾獎（理論計算機領域最高獎），2012年又獲得西蒙斯研究獎與福爾克森獎（離散數(shù)學領域最高獎），是理論計算機研究領域有名的翹楚。鬲融是 Arora 門下的第一個中國留學生。在鬲融來到普林斯頓的前一年（2007年），Arora 與 Satyen Kale（現(xiàn)任谷歌研究科學家）剛剛用乘法權(quán)更新算法（Multiplicative Weight Update Method）的矩陣版本求解了 SDP，并對一些問題給出了更快的近似算法。MWU 的特點是理論復雜，但算法簡潔。Arora 在近似算法上“大道至簡”的追求，吸引了鬲融。截至目前，Arora 只帶過 3 名中國學生，除了鬲融，其余 2 位是馬騰宇與李遠志，后來都成為了機器學習領域的佼佼者。馬騰宇與李遠志也是清華大學的校友，分別在2012年、2013年來到普林斯頓讀博，是鬲融日后的重要研究合作者。馬騰宇畢業(yè)后到斯坦福大學任教，2021年也憑借在非凸優(yōu)化上的研究成果獲得了斯隆研究獎，而李遠志畢業(yè)后加入了卡內(nèi)基梅隆大學機器學習系擔任助理教授。在鬲融的眼里，Sanjeev Arora是一位各方面都讓人佩服的學者：在轉(zhuǎn)向機器學習之前，他在近似算法及其復雜度的研究上已獲得非常出色的成就。很多人可能在某個方向上做出成果，就會沿著這個方向繼續(xù)做一輩子，但他是一個很喜歡研究新東西的人，喜歡挑戰(zhàn)自己，每隔幾年就會換一個新的方向，然后每個方向都能取得不錯的成就。當時轉(zhuǎn)向機器學習時，他在第一年或第二年就做出了很好的結(jié)果。
也是因為 Arora 的這項品質(zhì)，他在2012年轉(zhuǎn)向機器學習研究時，促使鬲融等人也注意到了機器學習，直接改變了鬲融的研究方向。2012年轉(zhuǎn)向機器學習時，鬲融已是一名博“四”生，開始一個全新的方向需要極大的勇氣。但他二話不說，重新調(diào)整了自己的方向。出乎意料的是，轉(zhuǎn)變方向后，他的研究進展異常順利，最后兩年連續(xù)發(fā)表了 8 篇頂會論文，其中理論計算機頂會 FOCS 就有 2 篇、STOC 有 1 篇，遠遠超過了博士前三年的成果總和。與近似算法不同，機器學習是一個相對較新的領域，有許多新的問題。從鬲融的角度來看，這時他的研究問題變成了：如何把一個實際的機器學習問題放到理論的框架里討論？在這個過程中，“自己定義問題”的重要性明顯上升。拿鬲融轉(zhuǎn)向機器學習研究后的第一個工作舉例。當時，鬲融在微軟研究院新英格蘭分部實習，參與主題建模（Topic Modeling）的研究工作。主題建模被用于對數(shù)據(jù)（網(wǎng)頁、新聞、圖片等等）進行自動理解與分類，在理論研究上側(cè)重于學習模型的參數(shù)。當時的方法大多依賴于奇異值分解（SVD），但SVD方法有兩個限制：要么假設每篇文章只包含一個主題，要么只能恢復主題向量的范圍，而非主題向量本身。針對 SVD 用于主題建模的局限性，鬲融與 Arora 等人提出了一個問題：“如果沒有真正的矩陣 AW ，而是從每一列所代表的分布中得到一些樣本（比如 100 個樣本），怎么辦？”他們假設并證明了 NMF（非負矩陣分解）比 SVD 更適用于主題建模，并利用 NMF 獲得了第一個沒有上述兩個限制的多項式時間算法，該算法可以泛化至包含主題與主題相關的模型，比如相關主題模型（Correlated Topic Model）與彈珠機分配模型（Pachinko Allocation Model）。最后，他們的工作（“Learning Topic Models - Going beyond SVD” ）發(fā)表在 FOCS 2012 上。這也是鬲融在 FOCS （理論計算機方向中稿難度最高的會議之一）上發(fā)表的第一篇論文。地址：https://arxiv.org/abs/1204.1956之后，他又在主題建模的研究上陸續(xù)發(fā)表了幾篇文章，包括被 ICML 2013 錄取的工作“A Practical Algorithm for Topic Modeling with Provable Guarantees ”，在業(yè)內(nèi)引起不小關注，積累了一點名聲。在理論研究領域摸爬滾打多年后，鬲融發(fā)現(xiàn)：重要的問題并不一定是很多年前就有人提出來的，提出問題本身也是一個重要的研究方向；在做研究時，如果一個問題進展不順，不一定是你的研究技術(shù)不對，也有可能是你提的問題本身就是錯的。這也是鬲融在讀博期間的主要收獲：對研究形成了一個比較完整的認知，并學會了如何選擇一個適合自己的題目。鬲融能夠“守得云開見月明”的另一個重要因素是堅持。而這一品質(zhì)，也主要是受到 Arora 的影響。鬲融回憶，在讀PhD時，他在研究問題上卡住時，雖然會花時間去想，但經(jīng)常會有一種感覺，就是“這個想法好像不行，做不下去”，便想放棄。在每周的組會上，他與 Arora 討論卡住的點，說不知道該怎么做時，Arora 都會說：“這只是一點困難，你可以換一個思路，嘗試別的解決方法。”“如果要放棄正在進行的方向，就要給出嚴謹?shù)淖C明，讓 Arora 相信這個方向確實做不了。但是，只要沒有證明這個方向不行，他就不會放棄，會不停地想各種解決辦法?！必谛?/span>容，“在這種精神下，后來我也確實解決了一些卡住的問題?！?/span>大約是受到 Arora 的鼓舞，鬲融漸漸懂得了堅持，面對難題時也會樂觀許多，更傾向于覺得“這個課題是可以做的”而不是“這個想法好像不行”，即使題目暫時沒有做出來，也不會輕易放棄，而是堅持到實在做不下去的時候。他感嘆：“如果當時我一說某個思路有哪些困難、覺得做不下去，Arora 就說我們不做這個題了，那么現(xiàn)在的結(jié)果肯定會不一樣。”但是，盡管最后兩年發(fā)表了一些論文，與競賽、本科時的輝煌成績相比，鬲融的博士生涯還是相對黯淡：沒有大廠獎學金，沒有最佳論文。換作旁人，博士期間能在理論計算機頂會 FOCS 與 STOC 上發(fā)表3篇工作，已經(jīng)非常了不起，但對這位清華特獎獲得者來說，總覺得還缺點什么。鬲融在2013年獲得博士學位。當時，他剛剛在機器學習理論的酒席上喝到微醺，意猶未盡，“感覺還有很多事情想做”，于是就決定去之前實習的微軟研究院新英格蘭分部做博士后。也是在兩年的博士后期間，鬲融開始了在非凸優(yōu)化（Non-Convex Optimization）方向的研究，為之后獲得斯隆研究獎打下了基礎。在他還是一名實習生時，微軟內(nèi)部就有人在研究用張量分解（Tensor decompositions）做話題建模。他們的技術(shù)非常神奇，就是用兩個矩陣乘一下，然后做一下對角化就能得出成果，光看論文本身完全不明白為什么這么做會有用。鬲融就很好奇：“為什么張量分解這么厲害？我不知道有什么理由，所以我就想去研究?！?/span>于是，他們嘗試用張量分解來研究話題模型上的參數(shù)問題，發(fā)現(xiàn)張量分解不僅可以用于解釋話題模型的參數(shù)問題，還可以解釋與話題模型類似的機器學習模型的參數(shù)問題。他們的工作“Tensor decompositions for learning latent variable models”最后發(fā)表在了機器學習頂刊 JMLR上。
地址：https://arxiv.org/abs/1210.7559
他們在這方面做了很多工作，也取得了不錯的成果，但用鬲融的話說，就是“做多了，也就沒那么有意思了”。所以，到了博士后階段，他就開始尋找新的方向。他從張量分解出發(fā)，無意間發(fā)現(xiàn)了一個新的研究課題，就是非凸優(yōu)化（non-convex optimization）。當時，他發(fā)現(xiàn)在張量分解的算法中，比如張量有10個部分，當時的算法是一個部分、一個部分地找，但有時候，我們會想同時找出這10個部分，這時就需要用到優(yōu)化技術(shù)。那時大家常用的隨機梯度下降優(yōu)化方法并不管用，于是他就花了很長時間研究如何轉(zhuǎn)換一個目標函數(shù)，可以使它的效果更好。鬲融回憶：“可能是運氣比較好，在尋找、測試目標函數(shù)時，我首先找到了一個目標函數(shù)，使得這個優(yōu)化方法可以把所有的張量部分同時找出來。分析隨機梯度下降的時候，我們研究出了一套新的分析方法，后來發(fā)現(xiàn)這套分析方法非常有用，不止對我們研究的張量分解問題有用，對許多其他問題也有用?！?/span>接著，他與袁洋、金馳、黃芙蓉等人沿著這個方向繼續(xù)研究非凸優(yōu)化的函數(shù)。在許多情況下，非凸函數(shù)的目標是找到一個合理的局部最小值，主要的問題是梯度更新被困在鞍點（saddle points）中。他們嘗試辨析非凸優(yōu)化問題的鞍點性質(zhì)（如果函數(shù)沒有退化的鞍點，那么對梯度做輕微的擾動就可以逃出鞍點)，以進行有效優(yōu)化。利用這個屬性，他們發(fā)現(xiàn)隨機梯度下降可以在多項式迭代中收斂到局部最小值。這是第一項為在具有多個局部最小值和鞍點的非凸函數(shù)中的隨機梯度下降提供全局收斂保證的工作。他們的工作開拓了一個新的研究方向，其成果“Escaping From Saddle Points --- Online Stochastic Gradient for Tensor Decomposition”被機器學習理論會議 COLT 2015 收錄，吸引了許多人往這個方向努力，并獲得了許多新的結(jié)果。
地址：https://arxiv.org/abs/1503.02101
這是鬲融沒有想到的：“我感覺還是挺幸運的，我從一個非常特殊的問題出發(fā)，但是我們最后得到的結(jié)論是非常廣泛的，研究也受到不少重視?！?/span>這項工作對機器學習理論研究領域的貢獻主要有兩個：一是證明了張量分析中他新提出來的目標函數(shù)有一些好的性質(zhì)，比如它沒有壞的局部最優(yōu)解，它的鞍點也有一些性質(zhì)；二是證明了我們可以用很簡單的算法（如梯度下降）來優(yōu)化所有具備這種性質(zhì)的目標函數(shù)。也是憑借這兩個主要貢獻，鬲融在2019年獲得斯隆研究獎。后來，他又分別在這兩個貢獻上作了進一步的研究。比如，在第一個貢獻上，他們后來證明更多函數(shù)都具備類似性質(zhì)，包括與馬騰宇、Jason Lee等人合作的那篇工作“Matrix Completion has No Supurious Local Minimum”（獲 NIPS 2016 最佳學生論文）也證明矩陣補全（matrix completion）沒有壞的局部最優(yōu)解。據(jù)說，鬲融與馬騰宇合作的這篇工作從開始構(gòu)思到完成投稿，前后只用了不到兩個月時間。那時 COLT 2015 的工作剛發(fā)表不久，可以借鑒一二。鬲融回憶：“當時做的時候，我們就很有信心，因為我們?nèi)齻€人都覺得這個東西肯定是對的。馬騰宇也很快就有了一些具體的想法，我們按照一些步驟去做，然后挺順利地就做出來了?！?/span>至此，鬲融已成為研究用非凸優(yōu)化尋找最優(yōu)神經(jīng)網(wǎng)絡參數(shù)的早期開拓者之一。但是，在2019年獲得斯隆研究獎后，鬲融又像2004年拿到IOI金牌一樣，若無其事地回到了原本的生活軌跡上，做一名安安靜靜做研究的教師。斯隆研究獎每年表彰一次，在以往的獲獎人員中，有47人后來獲得諾貝爾獎、17人獲得菲爾茲數(shù)學獎、69位獲得國家科學獎、18位獲得約翰貝茨克拉克經(jīng)濟學獎。史上許多著名的科學家都曾獲得斯隆研究獎，包括物理學家理查德·費曼 ，默里·蓋爾曼，以及博弈論學家約翰·納什。從2008年清華畢業(yè)，到獲得斯隆研究獎，鬲融用了 10 年。在這期間，他在 4 字班的許多同學（如樓天城、貝小輝）都已早早在新的領域聲名鵲起，但人們談起鬲融，仍只是圍繞競賽與GPA。雖然鬲融在中途沉寂了很長時間，但在姚班創(chuàng)始人、中國首位圖靈獎得主姚期智姚先生的心中，他的名字一直是姚班教育的驕傲。在2017年鬲融還沒有獲得斯隆研究獎時，姚先生談起姚班教育，首先就提到了他的名字：在學界的，我們有好幾個做人工智能的學生，已經(jīng)在大學任教的有兩個，一個是在美國的杜克大學，一個是在美國的斯坦福大學做教授，他們都從事人工智能理論基礎方面的工作。他們在過去的四五年，在人工智能理論方面已經(jīng)非常非常出色……他們確實可以說在人工智能領域是先驅(qū)，將來一定會在該領域留下非常深刻的痕跡。
其中，在杜克大學任教的便是鬲融，而在斯坦福任教的則是鬲融的同門師弟馬騰宇。聽聞姚先生的掛念，當時離開清華多年的鬲融心中感觸萬分：“我感覺挺感動的，因為姚班出來很多很強的人，遠遠不止我們兩個?！?/span>圖注：2019年，鬲融回清華交叉信息研究院（即“姚班”）作學術(shù)報告
在鬲融的成長路上，姚班的身影其實從未遠離。他提到，之前在姚班所學習的知識、思路，一開始不知道有什么用，但后來都用上了，甚至后悔“當初怎么不多學點”。而曾經(jīng)的同窗好友雖然選擇了不同的人生方向，“但想到大家跟我一樣都在努力，就覺得蠻開心的。”4. 理論研究的意義
“對我個人來說，如果我知道一個算法，但是我不知道它的工作原理，是一件不太高興的事情，所以我自己主要就是因為好奇才選擇做機器學習理論研究?！?/span>問及從事理論研究的意義，鬲融這樣談道。而從整個機器學習領域的發(fā)展來看，理論機器學習的研究主要有兩個意義：一是如果知道神經(jīng)網(wǎng)絡算法的工作原理，我們就有希望解決一些問題，比如讓它變得更快，或者用更少的資源；二是可以解決人們關心的一些實際問題，比如計算機視覺中神經(jīng)網(wǎng)絡的弱關性問題，把一張圖片錯誤識別為其他圖片。
在深度學習時代，機器學習算法嘗試從文本、圖像等數(shù)據(jù)中自動學習有用的隱含表示。近年來，鬲融的研究重點是希望通過非凸優(yōu)化與張量分解研究如何設計高效的算法找到這些隱含表示，比如神經(jīng)網(wǎng)絡模型中的超參數(shù)化。目前的一個觀點是：有了超參數(shù)化后，優(yōu)化會變得簡單。有些工作也得到了同樣的結(jié)果，但還有很多問題是未知的，比如：神經(jīng)網(wǎng)絡要多大，才能有足夠好的優(yōu)化性質(zhì)？有些觀點認為神經(jīng)網(wǎng)絡要無窮寬，鬲融團隊的研究課題則是：你的神經(jīng)網(wǎng)絡不需要無窮寬，只要足夠?qū)捑涂梢宰C明一些類似的性質(zhì)。他們最近做了一個工作（“Guarantees for Tuning the Step Size using a Learning-to-Learn Approach”），從理論角度研究如何通過機器學習方法來設計新的優(yōu)化算法，得出了一個有意思的結(jié)論：對于優(yōu)化問題，如果你用最基本的back-propagation（反向傳播）方法來算，它的梯度可能會算不準，如果用其他的方式算，可能還可以算得更精確一些。在未來，他希望能夠進一步了解神經(jīng)網(wǎng)絡的優(yōu)化性質(zhì)，然后，在掌握足夠多的性質(zhì)后，可以設計出更好的算法。對于想要從事理論研究的學生，鬲融的建議是最好先加入一個研究組去做具體的項目，一是看自己適不適合，二是對機器學習領域的發(fā)展有更具體的了解，日后做研究時能更好地定義研究問題。作為最早進入機器學習領域的研究者之一，鬲融能明顯感覺到近幾年來該領域的飛快發(fā)展，論文投稿數(shù)量呈指數(shù)級增長，給人一種浮躁的感覺。由于很難找到足夠多的、有經(jīng)驗的審稿人來支持大規(guī)模的會議投稿，導致會議論文的結(jié)果有些隨機。面對這一現(xiàn)象，鬲融感嘆他也難有作為，只能對自己和自己的學生有一個基本要求，就是投出去的論文至少要達到自己滿意的標準。隨即，鬲融又說：“雖然我對文章的要求嚴格，但在擔任審稿人時，我感覺自己給分還是偏高的?！?/span>所謂「取其上者得其中，取其中者得其下」，鬲融在非凸優(yōu)化與張量分解上的研究成就看似偶然，追溯根源，其實在于他對自己做研究的高要求：對好奇的問題刨根問底，對完成的工作精益求精，耐心、敏銳又謙遜，則成事只在時日長短。科研前期的艱難探索也許是必經(jīng)之路，即使智如鬲融也不例外。讀博三年還沒有“像樣”的成果？別慌，堅持一下，說不定你也能拿斯隆研究獎。
作者注：人物/采訪、交流、爆料、抬杠，歡迎添加微信（302703941）。
雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)
雷峰網(wǎng)特約稿件，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
