第一次投遞論文，就中了 KDD，是什么樣的體驗？

第一次投 KDD，不僅中了，還同時獲得了最佳論文 runner-up和最佳學(xué)生論文 runner-up，又是什么樣的體驗？

這兩個知乎體問題，邀請東北大學(xué) SDS（Sustainability & Data Science）實驗室的博士生 Thomas Vandal 來回答最合適不過了。他的處女作《DeepSD： Generating High Resolution Climate Change Projections through Single Image Super-Resolution》在 KDD 2017 上榮獲最佳論文 runner－up及最佳學(xué)生論文 runner－up，Vandal 此外還獲得了 Student Travel Award。

Vandal 在會后告訴雷鋒網(wǎng) AI 科技評論，之前他只參加過一些 workshop，因此一開始并沒有想到這篇論文會獲得最佳應(yīng)用類論文的 runner－up，「我們本來覺得可能會有機會獲得最佳學(xué)生論文獎，但這個結(jié)果的確出人意料?！?/p>

DeepSD 這篇論文圍繞的是解決氣候分析的統(tǒng)計降尺度問題，團隊利用深度學(xué)習(xí)技術(shù)通過廣義的疊加超分辨率 CNN （SRCNN） 框架增加多尺度輸入通道，生成有效的統(tǒng)計降尺度模型。（底部附論文摘要）

在 Youtube 上，Vandal 已經(jīng)放出了關(guān)于這篇論文的介紹視頻，雷鋒網(wǎng) AI 科技評論搬運視頻如下：

第一次投 KDD 就獲得如此出色的成績，讓 Vandal 感到非常驚訝和高興，他表示這對自己而言是一個莫大的鼓勵。自然，第一次上臺伴隨的也有緊張。在論文展示現(xiàn)場，他在演講時舌頭有些打結(jié)，出現(xiàn)了不時的卡頓。或許大家也看到了他的局促不安，因此在問答環(huán)節(jié)的時候，只有一位觀眾非常「友善」地提了一個不痛不癢的問題；同一場次至少要讓觀眾提三四個問題的主持人也沒有「刁難」他，很快地邀請下一位講者上臺；在 Vandal 演講完畢下臺的時候，他抱著電腦快步離開，甚至忘記了把身上別著的麥克風(fēng)摘下來遞給下一位講者；而當(dāng)他回到后排座位上的時候，臉上終于流露出自然而放松的神色。

在演講過程中，Vandal 也提及了模型自身依然存在一些缺點，包括理解云、冰雹等氣象對氣候判斷的影響，還沒有在缺乏數(shù)據(jù)的地方檢驗?zāi)Ｐ偷目深A(yù)測性，在這樣的狀況下，要進行高分辨率的氣候分析則顯得更加困難。Vandal 也表示，希望利用機器學(xué)習(xí)將模型變得更高效，且能夠適應(yīng)更大范圍的分析。

「我們采用深度學(xué)習(xí)方法解決氣候問題的時候，實際上是在一個非常大的范圍內(nèi)產(chǎn)生作用。而其中面臨的最大問題是面對氣候的海量數(shù)據(jù)源，我們需要關(guān)注用戶真正關(guān)心的數(shù)據(jù)是哪些，并將其進行模式化處理。可能對于商務(wù)人士或是政府人士，他們需要的內(nèi)容可能會有差異?！?/p>

Thomas Vandal 向雷鋒網(wǎng) AI 科技評論表示，深度學(xué)習(xí)的火熱對計算機科學(xué)而言，是一個深入研究領(lǐng)域知識的良好契機，就像自然語言處理現(xiàn)在也運用了深度學(xué)習(xí)優(yōu)化模型結(jié)果一樣，反過來，它也能夠促進我們對領(lǐng)域知識的理解。「深度學(xué)習(xí)也提供了一種讓我們重新利用和審視數(shù)據(jù)的方法，值得所有研究者關(guān)注和思考?！?/p>

而根據(jù) Vandal 的說法，這篇論文很快將投遞到機器學(xué)習(xí)或計算機視覺的期刊上，在此之后會在大型計算機上進行試運行，最終將 120 個氣候模型投入使用并將結(jié)果開放給公眾。

作為一名正在研讀交叉學(xué)科工程的博士生，Thomas Vandal 實際上算得上是「半路出家」。2012 年在馬里蘭州大學(xué)完成數(shù)學(xué)本科學(xué)習(xí)的他，畢業(yè)后在 Boston Technologies 擔(dān)任市場風(fēng)險分析師，管理數(shù)百萬的外匯市場，隨后在 Affectiva 擔(dān)任數(shù)據(jù)科學(xué)家，開發(fā)了一款分析面部表情的工具。自 2015 年開始，Vandal 開始在東北大學(xué)攻讀交叉工程學(xué)科，致力于用深度學(xué)習(xí)研究氣候問題。

深度學(xué)習(xí)的應(yīng)用有很多，但為何他會選擇氣候方向？Vandal 表示，氣候領(lǐng)域是一個非常重要的方向，在未來的二十到五十年都可能會對全美國甚至全球產(chǎn)生普遍性的影響?！窷ASA 有很多衛(wèi)星在監(jiān)測各種有意思的氣象數(shù)據(jù)，我也和很多其它 NASA 成員在合作?！?/p>

目前，Vandal 也在 NASA Ames 研究中心實習(xí)，這篇獲獎?wù)撐囊彩桥c NASA 研究員 Sangram Ganguly、Ramakrishna Nemani，還有劍橋大學(xué)的 Evan Kodra、University Corporation 的 Andrew Michaelis 以及 Vandal 的導(dǎo)師 Auroop R Ganguly 合作完成。他計劃在未來繼續(xù)對氣候問題進行深度研究，爭取將自己的論文成果落地為成熟技術(shù)并盡快帶給公眾。

附論文摘要：

氣候變化的影響是由基礎(chǔ)設(shè)施、生態(tài)系統(tǒng)和發(fā)電廠等大多數(shù)關(guān)鍵系統(tǒng)所監(jiān)測到的。然而，目前地球系統(tǒng)模型（Earth System Models，ESM）的空間分辨率過低，因此并不適合本地化。統(tǒng)計降尺度（statistical downscaling）能夠通過對歷史氣候的觀測來學(xué)習(xí)低分辨率到高分辨率的映射，采用這種方法可以獲得縮減規(guī)模投射。依賴統(tǒng)計模型的選擇，小尺度投射在準(zhǔn)確性和可靠性上提出了不同的要求。氣候系統(tǒng)的時空特征推動了超分辨率圖像處理技術(shù)對統(tǒng)計降尺度的適應(yīng)性。我們提出了 DeepSD，一種用于氣候統(tǒng)計降尺度的、廣義的疊加超分辨率 CNN（SRCNN）框架。DeepSD 增加了具有多尺度輸入通道的 SRCNN，能夠最大化統(tǒng)計降尺度的可預(yù)測性。比起誤差訂正空間分解法（Bias Correction Spatial Disaggregation）以及三個自動統(tǒng)計降尺度方法，我們采用的方法將美國大陸范圍內(nèi)日降水量氣候降尺度從 1 度（~100 km）降至 1/8 度（~12.5 km）。此外，我們討論了使用 NASA 地球交換（NEX）平臺的框架，用于超過 20 個具有多個排放情景的 ESM 模型的統(tǒng)計降尺度。

Thomas Vandal的個人主頁：http://www1.coe.neu.edu/~tvandal/

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。